Functional Generative Networks
Una forma de generar predicciones variadas pero físicamente sensatas, añadiendo aleatoriedad dentro de la red en vez de en la salida.
Cuando se quiere que un modelo muestre varios futuros posibles y no solo uno, hay que inyectar aleatoriedad en algún punto. El método habitual, el de los modelos de difusión, esparce ruido sobre la propia salida y luego lo limpia a lo largo de muchas pasadas. Funciona, pero es lento, y las variaciones que se obtienen pueden parecer copias ruidosas de la misma respuesta.
Las Functional Generative Networks colocan la aleatoriedad en las capas de control de la propia red. El resultado es una sola pasada que produce escenarios realmente distintos y que aun así respetan las reglas que el modelo ha aprendido, de modo que un conjunto de previsiones meteorológicas sale como varias tormentas plausibles en lugar de una borrosa. Google DeepMind usó el método en WeatherNext Cyclones, donde funciona unas ocho veces más rápido que el enfoque de difusión al que sustituyó.