To Use AI as Dice of Possibilities with Timing Computation

Technische Samenvatting: AI Gebruiken als dobbelstenen van Mogelijkheden met Timingberekening

Probleemstelling
Het artikel betoogt dat het dominante op zelfstandige naamwoorden gebaseerde modelleerparadigma in AI – geïllustreerd door Large Language Models (LLM's) en standaard machinelearningbenaderingen – de representatie van de toekomst fundamenteel beperkt. In dit paradigma behandelen modellen objecten als stabiele, goed gedefinieerde entiteiten (tokens, kenmerken, datapunten) en relaties als functionele afbeeldingen ($f(x)=y$). Hoewel effectief voor voorspelling van uitkomsten, faalt deze aanpak om de toekomst te representeren als een open temporale dimensie. Het vertrouwt op speculatie over welke variabelen moeten worden opgenomen, waarbij vaak dichte correlaties in de plaats worden gesteld van causaliteit. Bovendien opereren bestaande methoden voor causale inferentie, hoewel ze gebruikmaken van contrafacten, nog steeds onder de aanname dat relevante variabelen gesloten zijn en vooraf exhaustief zijn gespecificeerd. Bijgevolg kunnen huidige modellen "kiezbare toekomstige scenario's" niet adequaat representeren of echt contrafactueel redeneren over wanneer gebeurtenissen kunnen plaatsvinden, omdat ze timing behandelen als een vaste, waargenomen invoer in plaats van als een berekenbare variabele.

Methodologie: Het op werkwoorden gebaseerde Paradigma
De auteurs stellen een "op werkwoorden gebaseerd" paradigma voor waarbij het modelleerdoel verschuift van een enkele, bepaalde toekomst naar de volledige ruimte van mogelijke toekomstige scenario's. De kerninnovatie is Timingberekening, gedefinieerd als het vermogen om tijd niet alleen als een leerbare invoerfeature te behandelen, maar als een berekenbare dimensie die voortvloeit uit de interne logica van het model.

Belangrijke methodologische componenten zijn:

• Mogelijkheidsvariabelen: De auteurs herdefiniëren variabelen van $X \in \mathbb{R}^n$ naar mogelijkheidsvariabelen $X = (X, t) \in \mathbb{R}^{n+1}$, waarbij $t$ een berekenbare timingdimensie is.
• Timing Leerbaar versus Timing Berekenbaar: Het artikel onderscheidt tussen "timing-leerbaar" (het extraheren van temporale informatie uit grondwaarheid) en "timing-berekenbaar" (het voorspellen van timingdistributies). Bestaande methoden missen het laatste omdat ze een formele definitie missen van de Distributie van Mogelijke Timing.
• Implementatie met Neuronale Netwerken: Het kader maakt gebruik van neuronale netwerken die getraind worden via backpropagation. In tegenstelling tot forward-modellering waarbij $f(x)=y$ vooraf is gespecificeerd, redeneert deze aanpak terugwaarts vanuit een bepaalde uitkomst ($y$) om de historische betekenis van gebeurtenissen uit het verleden ($x$) te herstellen.
• Virtuele Tijdlijn ($\tau$): Het model construeert een latente temporele ruimte waar invoertijdstippen worden behandeld als grondwaarheid, maar een virtuele relatieve timing $\tau(t)$ wordt gedefinieerd door trainbare parameters. Dit stelt het model in staat om meerdere onafhankelijke instantiaties van dezelfde gebeurtenis te genereren, waardoor een distributie van mogelijke timings ontstaat in plaats van een enkele puntenschatting.
• Timing-Attention: De concentratie van de timingdistributie over een patiëntcohort wordt gemeten via kurtosis (genoemd "timing-attention"). Gebeurtenissen met een hogere timing-attention vertonen meer geconcentreerde distributies, wat wijst op een grotere temporele significantie.

Belangrijkste Bijdragen

1. Theoretisch Kader: Het artikel introduceert een op werkwoorden gebaseerde ontologie waarbij "werkwoorden" (acties/keuzes) open-ended mogelijkheden vertegenwoordigen, en "timing" een berekenbare variabele is die essentieel is voor causaal redeneren. Het stelt dat AI moet fungeren als "dobbelstenen van mogelijkheden" – de ruimte van open toekomstige scenario's naar voren rollen – in plaats van als een orakel dat vaste antwoorden geeft.
2. Formele Definitie van Timingberekening: De auteurs leveren de eerste formele definitie van timingberekening in de context van een neuronale netwerken, en onderscheiden dit van standaard overlevingsanalyse of tijdreeksvoorspelling.
3. Datagedreven Ontdekking zonder Voorafgaande Kennis: Het kader demonstreert dat klinisch significante trajecten en contrafactuele timingdeducties puur door middel van datagedreven methoden kunnen worden bereikt, zonder dat voorafgaande domeinkennis of vooraf gespecificeerde variabele sets nodig zijn.

Resultaten
Het kader werd toegepast op longitudinale data uit Elektronische Gezondheidsdossiers (EHR) van 3.276 borstkankerpatiënten om het tijdstip van het begin van hartkanker veroorzaakt door cardiotoxiciteit te voorspellen. De studie rapporteert twee primaire empirische demonstraties:

1. Automatische Ontdekking van Patiënttrajecten:

   • Het model identificeerde automatisch klinisch significante patiënttrajecten zonder vooraf gedefinieerde regels.
   • Timing-Attention ($\kappa$): Gebeurtenissen met grotere cohortgroottes vertoonden consistent hogere timing-attention.
   • Convergentie van Trajecten: Het model identificeerde dat verschillende tussenliggende paden kunnen samenvoegen bij een gemeenschappelijke terminale gebeurtenis (bijvoorbeeld een tweede bestralingstherapie), wat wijst op equivalente temporele significantie.
   • Kritieke Wendepunten: Het model detecteerde specifieke gebeurtenissen (bijvoorbeeld toediening van diuretica) waarbij het positieve percentage cardiotoxiciteit piekte en vervolgens daalde, in tegenstelling tot monotoon stijgende trends in andere paden.
   • Efficiëntie: De aanpak evalueerde gebeurtenissen gelijktijdig zonder logische ordeningsbeperkingen, waardoor de exponentiële zoekcomplexiteit van traditionele methoden gebaseerd op associatieregels wordt vermeden.

2. Contrafactuele Timingdeductie:

   • Het model voerde contrafactueel redeneren uit door aan te nemen dat positieve patiënten (die cardiotoxiciteit ontwikkelden) negatief waren gebleven.
   • Timingverschuivingen: De resulterende distributies toonden aan dat voor ongeveer de helft van het cohort de relatieve timing van de derde gerichte therapie (Target_3) onder de contrafactuele aanname aanzienlijk verschuift naar grotere waarden.
   • Klinische Implicatie: Dit suggereert dat het uitstellen of annuleren van de derde gerichte therapie het risico op het begin van cardiotoxiciteit voor deze specifieke patiënten aanzienlijk kan verminderen.

Betekenis en Beweringen
Het artikel beweert dat deze resultaten de eerste dergelijke demonstraties in de machinelearningliteratuur vertegenwoordigen voor zowel automatische trajectontdekking als contrafactuele timingdeductie met puur datagedreven methoden.

De auteurs betogen dat dit werk een fundamentele kloof aanpakt tussen de "grammatica van het denken" (die toekomstgericht en keuze-georiënteerd is) en huidige modelleerparadigma's. Door het "factum" (het conceptuele inhoud van een causaal scenario) te behandelen als een primitieve eenheid binnen een ruimte van mogelijkheden, lost het op werkwoorden gebaseerde paradigma:

• Het verwarrende probleem op dat inherent is aan inferentie op basis van zelfstandige naamwoorden, door de resterende causale structuur op te nemen in een open ruimte van mogelijkheden in plaats van deze ten onrechte toe te schrijven aan waargenomen variabelen.
• Het biedt een fundament voor een nieuwe klasse van generatieve modellen ("Wereldmodellen") die structureel zijn uitgelijnd met menselijke conceptuele structuren, en verder gaan dan de statistische tokenassociaties van huidige LLM's.

Het artikel verwijst lezers expliciet naar een begeleidend technisch artikel (Li et al., 2026) voor implementatiedetails, en handhaaft dat het huidige werk de conceptuele en empirische noodzaak vaststelt om over te stappen van op zelfstandige naamwoorden gebaseerd naar op werkwoorden gebaseerd modelleren.