في عالم الذكاء الاصطناعي، تعتبر نماذج الحالة الهرمية (Hierarchical State-Space Models - HSSMs) أداة واعدة لتحقيق التنبؤ على المدى الطويل، حيث تقوم بتقسيم السلاسل الزمنية إلى مكونات تعتمد على السياق الزمني. ولكن، كيف يمكن تحديد الحدود بين هذه المكونات بصورة فعالة؟

في العادة، كانت الأساليب السابقة تعتمد على تقنيات متكررة مثل التجزئة ذات الطول الثابت أو الكشف عن الحدود بناءً على التشابه، وهو ما قد يؤدي إلى عدم توافق مع البنية الزمنية الحقيقية للبيانات. هنا يكمن الابتكار، حيث اقترح الباحثون أن عملية التجزئة يجب أن تستند إلى أخطاء التنبؤ، وهو ما يعكس بدقة متى يصبح السياق طويل المدى ضروريًا.

ومع ذلك، فإن دمج التجزئة المبنية على المفاجأة في نماذج HSSMs يواجه تحديات كبيرة، مثل الانهيار الهرمي أثناء التدريب الشامل، وعدم وجود إشارات المفاجأة خلال التنبؤ المفتوح. ولحل هذه المشكلات، تم اقتراح طريقة SUNTA، التي تعتمد على استراتيجية تدريب منفصلة للحفاظ على إشارات المفاجأة، وتستخدم عدم التوافق الداخلي كمقياس مفاجأة موجه من أعلى لتحديد حدود التجزئة أثناء التمديدات المتخيلة.

أظهرت التجارب في مهام التنبؤ بالفيديو ضمن بيئات ثنائية وثلاثية الأبعاد أن SUNTA تتفوق على الأساليب الأساسية، حيث تحافظ على دقة التنبؤ عبر 250 خطوة زمنية، بينما تتدهور النماذج الأساسية خلال أول 10 خطوات. هذا إنجاز يمثل نقلة نوعية في كيفية التعامل مع التنبؤ الطويل الأمد في الذكاء الاصطناعي.