Minkowski時空的因果關係

估計未來事件是一項艱鉅的任務。 與人類相反，機器學習方法不受自然對物理的理解所調節。 在野外，合理的事件序列要服從因果規則，不能簡單地從有限的訓練集中得出。 在本文中，研究人員（倫敦帝國大學）提出了一種新穎的理論框架，通過將時空信息嵌入Minkowski時空中來進行對未來的因果預測。 他們使用狹義相對論的光錐概念來限制和遍歷任意模型的潛在空間。 他們演示了在因果圖像合成和圖像數據集上的未來視頻圖像預測中的成功應用。 它們的框架獨立於體系結構和任務，並具有因果關係功能的強大理論保證。

在許多日常場景中，我們進行因果預測，以便根據我們的觀察和經驗來判斷情況可能如何發展。 儘管對於關鍵應用（例如醫療計劃，自動駕駛和安全性）非常需要自動的，因果合理的預測，但尚未在此級別開發機器學習。 最近的工作為機器學習算法做出了貢獻，這些算法可以預測序列的未來並進行因果推理。 許多方法隱式採用的重要假設是，模型表示的空間是具有N個維度的平坦歐幾里德空間。 但是，正如Arvanitidis等人所建議的那樣。 如圖所示，歐幾里得假設導致錯誤的結論，因為模型的潛在空間可以比歐幾里得空間更好地表徵為高維彎曲的黎曼空間。 此外，亞歷山德羅夫-齊曼定理表明，因果關係需要一個洛倫茲群空間，並主張不適合使用歐幾里得空間進行因果分析。 在這篇文章中，科學家們提出了一個新穎的框架，該框架改變了我們對待硬計算機視覺問題（例如圖像序列的連續性）的方式。 他們將信息嵌入時空的高維偽西門子流形-Minkowski時空中，並使用光錐的相對論概念進行因果推斷。 您專注於時間序列和圖像合成，以顯示框架的全部功能。

Lesen SIE MEHR 這裡