用于气候分析的隐式动态过程通用因果结构学习
机器学习
2025-10-10 v2 统计方法学
摘要
理解气候动力学需要超越观测数据中的相关性，揭示其潜在因果过程。潜在驱动因素，如大气过程，在时序动力学中发挥关键作用，而且相邻的观测变量之间也存在直接的因果影响。传统的因果表征学习（CRL）通常仅关注潜在因子，忽略了这种观测变量之间的因果关系，限制了其在气候分析中的适用性。本文引入一种统一框架，同时揭示（i）观测变量之间的因果关系，以及（ii）潜在驱动力及其相互作用。我们在条件下确立了双方都可被同时识别的条件——即即使在非参数情况下，仅凭时序数据即可识别隐藏动态过程和观测变量之间的因果结构。我们利用上下文信息来恢复潜在变量和因果关系。基于这些洞见，我们提出CaDRe（Causal Discovery and Representation learning），一种具有结构约束的时间序列生成模型，将CRL与因果发现集成在一起。合成数据集上的实验验证了我们的理论结果。在真实世界气候数据集上，CaDRe不仅实现了具竞争力的预测准确率，还恢复了与领域知识相符的可视化因果图，从而为理解气候系统提供了可解释的见解。
引用
@article{arxiv.2501.12500,
title = {Learning General Causal Structures with Hidden Dynamic Process for Climate Analysis},
author = {Minghao Fu and Biwei Huang and Zijian Li and Yujia Zheng and Ignavier Ng and Guangyi Chen and Yingyao Hu and Kun Zhang},
journal= {arXiv preprint arXiv:2501.12500},
year = {2025}
}