هل تفشل التكمية المتجهية في التنبؤ المكاني-الزمني؟ استكشاف نهج تكمية متجهية نادرة قابلة للتفاضل

التنبؤ المكاني-زماني مهم في مجالات متنوعة ويحتاج إلى توازن دقيق بين تحديد الأنماط الدقيقة وتصفية الضوضاء. يبدو أن التكميم النقطي (VQ) مناسب لهذا الغرض، حيث يقوم بتكميم المتجهات الإدخال إلى مجموعة من متجهات الكتابة أو الأنماط. رغم أن VQ أظهرت وعودًا في مهام رؤية الحاسوب المختلفة، إلا أنها تفتقر بشكل مفاجئ إلى تعزيز دقة التنبؤ المكاني-زماني. نعزى هذا إلى مشكلتين رئيسيتين: عدم الدقة في الأمثلة بسبب عدم القابلية للتفاضل والقدرة التمثيلية المحدودة في VQ الصلبة. لمعالجة هذه التحديات، نقدم طريقة التكميم النقطي النادر القابل للتفاضل (SVQ)، وهي أول طريقة VQ لتعزيز التنبؤ المكاني-زماني. يوازن SVQ بين حفظ التفاصيل وتقليل الضوضاء، ويقدم قابلية تفاضل كاملة وقاعدة صلبة في الانحدار النادر. يستخدم نهجنا شبكة متعددة الطبقات ذات طبقتين ومجموعة كبيرة من متجهات الكتابة لتبسيط عملية الانحدار النادر، مما يقلل بشكل كبير من تكاليف الحساب ويسهل التدريب ويعزز الأداء. أظهرت الدراسات التجريبية على خمسة مجموعات بيانات مقاييسية مكانية-زمانية أن SVQ حققت نتائجًا رائدة في المجال، بما في ذلك تحسين بنسبة 7.9% على مجموعة بيانات درجة الحرارة WeatherBench-S وخفض متوسط الخطأ المطلق بمعدل 9.4% في مقاييس تنبؤ الفيديو (Human3.6M، KTH، وKittiCaltech)، بالإضافة إلى تعزيز جودة الصورة بنسبة 17.3% (LPIPS). يمكن الوصول إلى الكود بشكل عام على الرابط https://github.com/Pachark/SVQ-Forecasting.