الذاكرة في الذاكرة: شبكة عصبية تنبؤية لتعلم عدم الثبات من الرتبة العليا من الديناميكيات المكانية الزمانية

العمليات المكانية-الزمانية الطبيعية يمكن أن تكون غير ثابتة بطرق عديدة، مثل عدم الثبات من المستوى المنخفض مثل الارتباطات المكانية أو الاعتمادية الزمانية لقيم البكسل المحلية؛ وعدم الثبات من المستوى العالي مثل تراكم أو تشوه أو تبديد الصدى الراداري في توقع الهطول. وفقًا لتفكيك كرامر (Cramer's Decomposition)، يمكن تحليل أي عملية غير ثابتة إلى مكونات متعددة الحدود زمنية متغيرة ذات طبيعة حتمية، بالإضافة إلى حد عشوائي ذو متوسط صفر. عن طريق تطبيق عمليات الاختلاف بشكل مناسب، يمكن تحويل المتعددات الحدود الزمنية المتغيرة إلى قيمة ثابتة، مما يجعل المكون الحتمي قابل للتنبؤ. ومع ذلك، فإن معظم الشبكات العصبية التكرارية السابقة المستخدمة في التنبؤ بالعمليات المكانية-الزمانية لا تستفيد بشكل فعال من الإشارات التفاضلية، وتعيق دوال انتقال الحالة النسبي البسيطة فيها من تعلم التغيرات المعقدة في الزمان والمكان. نقترح شبكات "ذاكرة داخل ذاكرة" (Memory In Memory - MIM) والكتل التكرارية المرتبطة بها لهذا الغرض. تستغل الكتل MIM الإشارات التفاضلية بين الحالات التكرارية المجاورة لنمذجة الخصائص غير الثابتة والثابتة تقريبًا في الديناميكيات المكانية-الزمانية باستخدام وحدتين ذاكرتين متتاليتين ومتجددتين ذاتياً. عن طريق تراكيب عدة كتل MIM، يمكننا التعامل المحتمل مع درجات أعلى من عدم الثبات. حققت شبكات MIM أفضل النتائج على أربع مهام للتنبؤ بالعمليات المكانية-الزمانية عبر مجموعة متنوعة من البيانات الصناعية والواقعية. نعتقد أن الفكرة العامة لهذه الدراسة يمكن أن يتم تطبيقها محتملاً على مهام أخرى للتنبؤ بالسلسلة الزمنية.