基于微观气候数据因果特征学习的厄尔尼诺无监督发现
机器学习
2016-05-31 v1 人工智能
机器学习
大气与海洋物理
摘要
我们展示了当我们将最近的因果特征学习框架（Chalupka 2015, Chalupka 2016）应用于在太平洋赤道带获取的纬向风（ZW）和海表温度（SST）的微观度量时，厄尔尼诺和拉尼娜气候现象作为宏观变量的状态自然出现。该方法基于ZW与SST模式之间的关系识别这些异常气候状态，而无需任何关于过去厄尔尼诺或拉尼娜发生的输入。更简单替代方案（i）对SST场聚类同时忽略其与ZW模式的关系，或（ii）对联合ZW-SST模式聚类，均不能发现厄尔尼诺。我们讨论了我们的方法在多大程度上支持因果解释，并使用低维玩具示例解释其相对于其他聚类方法的成功。最后，我们提出了一种对原始算法（Chalupka 2016）新颖、鲁棒且可扩展的替代方案，它规避了对高维密度学习的需要。
引用
@article{arxiv.1605.09370,
title = {Unsupervised Discovery of El Nino Using Causal Feature Learning on Microlevel Climate Data},
author = {Krzysztof Chalupka and Tobias Bischoff and Pietro Perona and Frederick Eberhardt},
journal= {arXiv preprint arXiv:1605.09370},
year = {2016}
}
备注
Accepted for plenary presentation at UAI 2016