基于多分辨率得分基变分图扩散的因果灾害系统建模与推断
机器学习
2025-04-08 v1 机器学习
摘要
具有复杂因果依赖关系的复杂系统挑战着准确预测。有效建模需要精确的物理过程表征、整合相互依赖因素以及纳入多分辨率观测数据。这些系统在静态场景（具有瞬时因果链）和动态场景（具有演化动力学）中都有体现,这使得建模工作更加困难。现有方法难以同时处理不同分辨率、捕捉物理关系、建模因果依赖以及纳入动态特性,尤其是在来自不同来源、采样不一致的数据上。我们引入 Temporal-SVGDM: 基于多分辨率观测的得分基变分图扩散模型。我们的框架为每个变量在其本机分辨率构建单个 SDE,然后通过因果得分机制将这些 SDE 进行耦合,父节点信息用于指导子节点演化。这使得能够统一建模静态场景中的即时因果效应和动态场景中的演化依赖。在动态模型中,状态表示经序列预测模型处理,以基于历史模式和因果关系预测未来状态。在真实数据集上的实验表明,我们的方法在预测准确性和因果理解方面优于现有方法,在不同背景知识水平下表现出稳健性。我们的模型在不同灾害类型之间具有良好的鲁棒性,成功处理静态地震场景以及动态风暴和野火场景,即使数据有限也能保持卓越性能。
引用
@article{arxiv.2504.04015,
title = {Multi-resolution Score-Based Variational Graphical Diffusion for Causal Disaster System Modeling and Inference},
author = {Xuechun Li and Shan Gao and Susu Xu},
journal= {arXiv preprint arXiv:2504.04015},
year = {2025}
}