Digital Tヒンク Tアンク(DTT)

ミンコフスキー時空における因果的な将来の予後

将来の出来事を見積もるのは難しい作業です。 人間とは対照的に、機械学習のアプローチは、物理学の自然な理解によって規制されていません。 野生では、もっともらしい一連のイベントは因果関係の規則の対象となりますが、これは有限のトレーニングセットから単純に導き出すことはできません。 この論文では、研究者(インペリアルカレッジロンドン)は、ミンコフスキー時空に時空間情報を埋め込むことにより、将来の因果予測を実行するための新しい理論的フレームワークを提案します。 彼らは、特殊相対性理論の光円錐の概念を使用して、任意モデルの潜在空間を制限および横断します。 それらは、因果的画像合成および画像データセット上の将来のビデオ画像の予測における成功したアプリケーションを示しています。 それらのフレームワークはアーキテクチャとタスクに依存せず、因果関係の能力について強力な理論的保証があります。


多くの日常のシナリオでは、観察と経験に基づいて状況がどのように進展するかを判断するために、因果関係の予測を行います。 機械学習はこのレベルではまだ開発されていませんが、自動化された、因果的にもっともらしい予測は、医療計画、自動運転車、安全性などの重要なアプリケーションにとって非常に望ましいものです。 最近の研究は、シーケンスの将来を予測し、因果推論を行うための機械学習アルゴリズムに貢献しています。 多くのアプローチが暗黙的に採用する重要な仮定は、モデル表現の空間がN次元の平坦なユークリッド空間であるということです。 しかし、Arvanitidisらによって示唆されているように。 モデルの潜在空間は、ユークリッド空間よりも高次元の湾曲したリーマン空間としてより適切に特徴付けることができるため、ユークリッドの仮定は誤った結論につながります。 さらに、Alexandrov-Zeemanの定理は、因果関係にはローレンツのグループ空間が必要であることを示唆しており、因果分析にはユークリッド空間が不適切であることを提唱しています。 この投稿では、科学者は、画像シーケンスの継続など、ハードコンピュータビジョンの問題の処理方法を変える新しいフレームワークを紹介します。 彼らは情報を時空間的で高次元の疑似シーメンス多様体(ミンコフスキー時空)に埋め込み、光円錐の特殊相対性理論を使用して因果推論を実行します。 フレームワークの全機能を表示するために、時間シーケンスと画像合成に集中します。

Lesen SIE MEHR ここで