学习关键因素：基于因果的时间序列建模用于北极海冰预测
机器学习
2025-09-12 v1
摘要
传统机器学习和深度学习模型通常依赖于基于相关性的学习，往往难以区分真正的因果关系与伪关联，从而限制了其鲁棒性、可解释性以及泛化能力。为克服这些限制，我们引入了一个融合多变量格朗日因果性 (Multivariate Granger Causality, MVGC) 和 PCMCI+ 进行因果特征选择的因果感知深度学习框架。在该框架中，我们利用1979-2021年间的43年北极海冰范围 (Arctic Sea Ice Extent, SIE) 数据及其相关海洋-大气变量，在日尺度和月尺度上，识别出受因果影响的预测因子，优先确定SIE动力学的直接原因，减少不必要的特征，从而提升计算效率。实验结果表明，纳入因果输入后，在不同 lead 时间尺度上，预测精度和可解释性均得到提升。虽然该方法在北极SIE预测中得到验证，但该框架可广泛应用于其他动态、高维领域，提供一种可扩展的方法，既推动了因果感知预测建模的理论基础，也提升了实际应用性能。
引用
@article{arxiv.2509.09128,
title = {Learning What Matters: Causal Time Series Modeling for Arctic Sea Ice Prediction},
author = {Emam Hossain and Md Osman Gani},
journal= {arXiv preprint arXiv:2509.09128},
year = {2025}
}
备注
Accepted and presented at the AI4TS Workshop @ IJCAI 2025 (non-archival)