القدرة على التنبؤ بما قد يحدث في المستقبل تتطلب فهمًا عميقًا للقواعد الفيزيائية والسببية التي تحكم العالم. نموذج قادر على القيام بذلك له العديد من التطبيقات الجاذبة، بدءًا من التخطيط الروبوتي وصولاً إلى تعلم التمثيل. ومع ذلك، فإن تعلم التنبؤ بالملاحظات المستقبلية الخام، مثل الإطارات في الفيديو، هو أمر بالغ الصعوبة -- الطبيعة الغامضة للمشكلة يمكن أن تؤدي إلى مزج نماذج مصممة ببساطة بين السيناريوهات المحتملة في تنبؤ واحد ضبابي. مؤخرًا، تم التعامل مع هذا الأمر من خلال طريقتين مختلفتين: (أ) نماذج المتغيرات الكامنة المتغيرة التي تُنمِّذ بشكل صريح العشوائية الكامنة، و(ب) النماذج المدربة بطريقة الخصومة التي تستهدف إنتاج صور طبيعية. ومع ذلك، يمكن لنموذج المتغيرات الكامنة القياسي أن يجد صعوبة في إنتاج نتائج واقعية، بينما يقلل النموذج المدرب بطريقة الخصومة القياسية من استخدام المتغيرات الكامنة ولا يتمكن من إنتاج توقعات متنوعة. نوضح أن هاتين الطريقتين المختلفتين في الواقع مكملتان لبعضهما البعض. الجمع بينهما ينتج توقعات تبدو أكثر واقعية للمقيمين البشريين وتغطي نطاق السيناريوهات المستقبلية المحتملة بشكل أفضل. طريقتنا هذه أثبتت أنها أفضل من الأعمال السابقة والمتزامنة في هذه الجوانب.