用于野火危险预测的因果图神经网络
机器学习
2024-03-14 v1 人工智能
摘要
由于天气条件、植被类型和人类活动等不同因素之间复杂的相互作用，野火预测 notoriously 困难。深度学习模型通过直接从数据中学习，显示出处理这种复杂性的潜力。然而，为了为关键决策提供信息，我们认为需要因正确理由而正确的模型；也就是说，学习到的隐含规则应基于驱动野火的底层过程。在此方向上，我们提出将因果关系与图神经网络（GNNs）相结合，通过图学习显式地建模复杂变量间的因果机制。因果邻接矩阵考虑了变量间的协同效应，并移除了来自高度相关影响的虚假链接。我们的方法通过在预测欧洲北方和地中海生物群落的野火模式中展现出优越性能，证明了其有效性。在高度不平衡的数据集中，这种增益尤为突出，展示了模型在适应函数关系中的状态转变方面增强的鲁棒性。此外，来自我们训练模型的 SHAP 值进一步增强了我们对模型内部工作机制的理解。
引用
@article{arxiv.2403.08414,
title = {Causal Graph Neural Networks for Wildfire Danger Prediction},
author = {Shan Zhao and Ioannis Prapas and Ilektra Karasante and Zhitong Xiong and Ioannis Papoutsis and Gustau Camps-Valls and Xiao Xiang Zhu},
journal= {arXiv preprint arXiv:2403.08414},
year = {2024}
}
备注
Accepted by ICLR 2024 Machine Learning for Remote Sensing (ML4RS) Workshop