Functional Generative Networks
Un modo di generare previsioni varie ma fisicamente sensate, inserendo la casualità dentro la rete invece che nell'output.
Quando si vuole che un modello mostri più futuri possibili e non uno soltanto, bisogna iniettare casualità da qualche parte. L’approccio consueto, quello dei modelli di diffusione, sparge rumore sull’output stesso e poi lo ripulisce nell’arco di molti passaggi. Funziona, ma è lento, e le variazioni che si ottengono possono sembrare copie rumorose della stessa risposta.
Le Functional Generative Networks mettono invece la casualità negli strati di controllo della rete. Il risultato è un unico passaggio che produce scenari davvero diversi, ciascuno dei quali rispetta comunque le regole che il modello ha imparato: un insieme di previsioni meteo esce così come diverse tempeste plausibili invece di una sola sfocata. Google DeepMind ha usato il metodo in WeatherNext Cyclones, dove gira circa otto volte più veloce dell’approccio a diffusione che ha sostituito.