知识引导的北极海冰动力学时变因果推断
机器学习
2026-04-22 v2 人工智能
摘要
量化海冰厚度与海面高度之间的因果关系对于理解驱动极地气候变化和全球海平面上升的机制至关重要。由于时变混杂因素和缺乏物理约束，传统的深度学习模型在气候环境下的处理效应估计中常常遇到困难。为了解决这些挑战，我们提出了知识引导的因果模型变分自编码器来量化海面高度对海冰厚度的影响。该框架利用海面高度与表面速度之间已建立的物理关系，生成具有物理基础的、时变的连续处理，其中每个处理值可以在序列中的每个时间步发生变化。该模型还结合了最大均值差异来平衡潜在空间中的处理组和对照组分布，从而减轻观测到的混杂偏差。使用合成数据，我们评估了模型在假设的海面高度强迫情景下预测海冰厚度响应的能力，结果表明知识引导的因果模型变分自编码器在PEHE指标上优于最先进的基线模型。消融研究进一步证实，最大均值差异在基础模型上持续增强了处理效应估计。此外，我们进行了一项真实世界案例研究，以检查物理参数对特定处理的敏感性，并将这些发现与现有的建模研究进行比较。
引用
@article{arxiv.2601.17647,
title = {Knowledge-Guided Time-Varying Causal Inference for Arctic Sea Ice Dynamics},
author = {Akila Sampath and Vandana Janeja and Jianwu Wang},
journal= {arXiv preprint arXiv:2601.17647},
year = {2026}
}