Insiemi di Rashomon con Orizzonte Vincolato per Previsioni Caotiche

Un nuovo quadro teorico collega la molteplicità predittiva con le dinamiche caotiche nell'ambito dell'apprendimento automatico. Questo studio presenta insiemi di Rashomon con orizzonte vincolato, che illustrano l'evoluzione della molteplicità dei modelli in sistemi caotici al variare dell'orizzonte di previsione. A differenza dei compiti statici, il caos porta a una divergenza esponenziale tra modelli che iniziano in modo simile. L'insieme di Rashomon effettivo diminuisce esponenzialmente all'aumentare del tempo di anticipo, influenzato dal massimo esponente di Lyapunov. Inoltre, metriche pesate con Lyapunov offrono limiti più precisi sulle discrepanze predittive. Algoritmi per la selezione allineata alle decisioni valutano modelli quasi ottimali in base alla loro utilità a valle. Questa ricerca è stata pubblicata su arXiv (2605.05218).