基于因果归因的实时灾难评估的干预方法
机器学习
2025-09-16 v1
摘要
传统的灾难分析和建模工具用于评估灾难严重程度，具有预测性质。基于过去的观察数据，这些工具 prescribes 当前输入状态（例如环境条件、情况报告）如何导致严重程度评估。然而，这些系统并非以因果方式设计，用户无法修改当前输入状态以模拟反事实的“假设情景”。本文提供一种替代性的干预工具，补充传统灾难建模工具，利用卫星图像、新闻和社交媒体等实时数据源。我们的工具还帮助理解不同因素对估计严重程度的因果归因，适用于任何感兴趣的地区。此外，我们提供可操作的补救措施，以便更轻松地进行减灾规划。我们的源代码已公开。
引用
@article{arxiv.2509.11676,
title = {An Interventional Approach to Real-Time Disaster Assessment via Causal Attribution},
author = {Saketh Vishnubhatla and Alimohammad Beigi and Rui Heng Foo and Umang Goel and Ujun Jeong and Bohan Jiang and Adrienne Raglin and Huan Liu},
journal= {arXiv preprint arXiv:2509.11676},
year = {2025}
}