M-CaStLe：揭示多变量时空网格数据中局部因果结构
机器学习
2026-05-04 v1 大气与海洋物理
机器学习
摘要
对于时空系统的因果图发现面临挑战，因为高维网格数据常常拥有比每个网格单元的每个时域观测更多的网格单元。Causal Space-Time Stencil Learning(CaStLe)元算法是在时空局部性和平稳性假设下，针对这一细分领域而开发的，但目前仅限于单变量分析。本文提出M-CaStLe。M-CaStLe将CaStLe的局部嵌入和父节点识别阶段推广到联合建模局部within-variable和跨变量时空因果结构，以适应网格数据。像CaStLe一样，通过将候选父节点限制在固定大小的时空邻域内并池化空间复制，M-CaStLe增加了有效样本量，以便在高维设置下实现可行的发现。我们进一步将结果得到的多变量 stencil 图分解为反应图和空间图，以帮助在复杂设置下进行解释。我们在四个设置中研究M-CaStLe：一个具有已知ground truth的多变量时空向量自回归基准、一个具有派生物理参考结构的输送-扩散-反应偏微分方程验证问题、一个低时域样本 regime 下的大气化学案例研究，以及一个关于El Ni\~{n}o Southern Oscillation的研究，使用再分析数据识别出海洋-大气耦合的相依性。在这些设置中，M-CaStLe在受控设置下更准确地恢复多变量因果结构，并在真实世界案例研究中识别出重要的物理动力学。总体而言，M-CaStLe为多变量时空系统的因果发现提供了进一步的发展，同时保持了网格层面的可解释性。
引用
@article{arxiv.2605.00398,
title = {M-CaStLe: Uncovering Local Causal Structures in Multivariate Space-Time Gridded Data},
author = {J. Jake Nichol and Michael Weylandt and G. Matthew Fricke and Jhayron Perez-Carrasquilla and Melanie E. Moses},
journal= {arXiv preprint arXiv:2605.00398},
year = {2026}
}
备注
19 pages and 6 figures in the main text; 33 pages and 11 figures total