Yapay zeka alanında otokodlayıcılar, karmaşık verileri daha basit formlara dönüştürmek için yaygın olarak kullanılıyor. Ancak bu sistemlerin geometrik tutarlılık konusunda yaşadığı sorunlar, özellikle uzun vadeli tahminlerde hatalara yol açabiliyor.
Yeni araştırma, stokastik dinamik sistemlerin davranışlarını modellerken karşılaşılan temel bir soruna odaklanıyor. Bu sistemler, yüksek boyutlu uzayda bilinmeyen düşük boyutlu manifoldlar üzerinde hareket ediyor ve kısa süreli gözlem verilerinden uzun vadeli simülatörler oluşturmak oldukça zor.
Araştırmacılar, mevcut çözümlerin eksikliklerini gözlemleyerek yeni bir yaklaşım geliştirdi. ATLAS gibi yerel harita yöntemleri üstel işaret noktası ölçekleme sorunu yaşarken, otokodlayıcı alternatifleri teğet-paket geometrisini yetersiz şekilde kısıtlıyor.
Yeni yöntemin ana fikri, ortam kovaryans matrisinin zaten koordinat-değişmez teğet-uzay bilgisini kodladığı gözleminden hareketiyor. Bu bilgiyi kullanarak, araştırmacılar üç aşamalı bir süreç tasarladı: harita öğrenme, gizli sürüklenme ve gizli difüzyon.
Bu yaklaşım, teğet-paket cezası ve ters-tutarlılık cezası kullanarak tek bir doğrusal olmayan harita ve gizli stokastik diferansiyel denklemi öğreniyor. Sistem, ρ-metrik adı verilen fonksiyon-uzay metriği oluşturan cezalar aracılığıyla daha güvenilir sonuçlar üretiyor.