从相关到因果：用于北极海冰预测的因果深度学习框架
机器学习
2025-03-05 v1 人工智能
摘要
传统的机器学习和深度学习技术依赖基于相关性的学习，往往无法区分虚假关联与真实因果关系，这限制了其鲁棒性、可解释性和泛化能力。为了应对这些挑战，我们提出了一种因果驱动的深度学习框架，将多元 Granger 因果关系（MVGC）和 PCMCI+ 因果发现算法与混合深度学习架构相集成。利用 43 年（1979-2021）的逐日和逐月北极海冰范围（SIE）及海洋-大气数据集，我们的方法识别出具有因果显著性的因子，优先考虑具有直接影响特征，降低了特征开销，并提高了计算效率。实验表明，整合因果特征提升了深度学习模型在多个预测时效上的预测精度和可解释性。除了 SIE 预测，所提出的框架还为动态、高维系统提供了可扩展的解决方案，推进了预测建模中的理论理解和实际应用。
引用
@article{arxiv.2503.02093,
title = {Correlation to Causation: A Causal Deep Learning Framework for Arctic Sea Ice Prediction},
author = {Emam Hossain and Muhammad Hasan Ferdous and Jianwu Wang and Aneesh Subramanian and Md Osman Gani},
journal= {arXiv preprint arXiv:2503.02093},
year = {2025}
}
备注
Accepted for Publication in Causal AI for Robust Decision Making (CARD) Workshop in the International Conference on Pervasive Computing and Communications (PerCom 2025)