پژوهشگران هندسه‌ای جهت‌دار برای پیمایش فضای نهفتهٔ شبکه‌های عصبی پیشنهاد کرده‌اند

فضاهای نهفته‌ای که شبکه‌های عصبی عمیق از تصاویر استخراج می‌کنند، تحلیل‌های بعدی را سریع‌تر و کارآمدتر می‌کنند؛ اما به‌گفتهٔ نویسندگان پیش‌چاپ «Learning Directional Randers Geometry for Latent-Space Exploration»، این فضاها ساختار هندسی صریحی ندارند و ممکن است درون‌یابی نامناسب یا برون‌یابی گمراه‌کننده به بار آورند.

روش‌های درون‌یابی معمولاً هزینهٔ گذار میان دو حالت را در هر دو جهت یکسان فرض می‌کنند. نویسندگان می‌گویند این تقارن برای برخی داده‌های واقعی مناسب نیست: در فرایندهایی مانند پیشرفت بیماری، بعضی گذارها ممکن است ناممکن باشند؛ از جمله تغییرات مرتبط با رشد تومور یا بهبود شناختی در بیماری آلزایمر. آن‌ها همچنین یادآوری می‌کنند که هندسهٔ ریمانی، با وجود افزودن انحنا به هندسهٔ اقلیدسی، همچنان متقارن است.

چکیدهٔ در دسترس تأکید می‌کند که در این مسئله فهم نامتقارنی مهم‌تر از انحناست، اما متن ارائه‌شده جزئیات روش پیشنهادی یا نتایج آزمایش‌ها را شرح نمی‌دهد.