論文の概要: Revealing the Excitation Causality between Climate and Political Violence via a Neural Forward-Intensity Poisson Process

• arxiv url: http://arxiv.org/abs/2203.04511v1
• Date: Wed, 9 Mar 2022 03:54:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-10 17:03:02.366907
• Title: Revealing the Excitation Causality between Climate and Political Violence via a Neural Forward-Intensity Poisson Process
• Title（参考訳）: ニューラルフォワード・インテンシティ・ポアソン過程による気候と政治暴力の興奮因果関係の解明
• Authors: Schyler C. Sun, Bailu Jin, Zhuangkun Wei, Weisi Guo
• Abstract要約: 気候変動による政治的暴力における非線形因果メカニズムを捉えるために,ニューラルフォワード・インテンシティ・ポアソン・プロセス(NFIPP)モデルを提案する。 我々の研究結果は過去20年間にわたって行われており、極端な気候現象と様々な国における政治的暴力との興奮に基づく因果関係が明らかになっている。
• 参考スコア（独自算出の注目度）: 6.612222792826491
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The causal mechanism between climate and political violence is fraught with complex mechanisms. Current quantitative causal models rely on one or more assumptions: (1) the climate drivers persistently generate conflict, (2) the causal mechanisms have a linear relationship with the conflict generation parameter, and/or (3) there is sufficient data to inform the prior distribution. Yet, we know conflict drivers often excite a social transformation process which leads to violence (e.g., drought forces agricultural producers to join urban militia), but further climate effects do not necessarily contribute to further violence. Therefore, not only is this bifurcation relationship highly non-linear, there is also often a lack of data to support prior assumptions for high resolution modeling. Here, we aim to overcome the aforementioned causal modeling challenges by proposing a neural forward-intensity Poisson process (NFIPP) model. The NFIPP is designed to capture the potential non-linear causal mechanism in climate induced political violence, whilst being robust to sparse and timing-uncertain data. Our results span 20 recent years and reveal an excitation-based causal link between extreme climate events and political violence across diverse countries. Our climate-induced conflict model results are cross-validated against qualitative climate vulnerability indices. Furthermore, we label historical events that either improve or reduce our predictability gain, demonstrating the importance of domain expertise in informing interpretation.
• Abstract（参考訳）: 気候と政治暴力の因果関係は複雑なメカニズムで区切られている。 現在の量的因果モデルは1つ以上の仮定に依拠している:(1)気候ドライバは絶え間なく競合を発生させ、(2)因果メカニズムは競合生成パラメータと線形な関係を持ち、(3)事前分布を知らせるのに十分なデータがある。 しかし、紛争ドライバーは、しばしば暴力につながる社会変革プロセス(例えば、干ばつによって農業生産者が都市民兵に加わることを強制する)を興奮させるが、それ以上の気候効果は必ずしもさらなる暴力に寄与しない。 したがって、この分岐関係は非常に非線形であるだけでなく、高分解能モデリングの事前仮定をサポートするデータの欠如もしばしばある。 本稿では,神経前方伸縮ポアソン過程(neural forward-intensity poisson process, nfipp)モデルを提案することにより,上記の因果モデル課題を克服することを目的とする。 nfippは、気候変動による政治的暴力における潜在的非線形因果メカニズムを捉えるように設計されている一方で、ばらばらでタイミング不明なデータに頑健である。 我々の研究結果は過去20年間にわたって行われており、極端な気候現象と様々な国における政治的暴力との興奮に基づく因果関係が明らかになっている。 気候変動による紛争モデルの結果は、質的気候脆弱性指数と対比評価される。 さらに、予測可能性の向上または低下を図り、解釈を伝える上でドメインの専門知識の重要性を示す歴史的事象をラベル付けする。

関連論文リスト

• Hype, Sustainability, and the Price of the Bigger-is-Better Paradigm in AI [67.58673784790375]
  AIパラダイムは、科学的に脆弱なだけでなく、望ましくない結果をもたらすものだ、と私たちは主張する。 第一に、計算要求がモデルの性能よりも早く増加し、不合理な経済要求と不均等な環境フットプリントにつながるため、持続可能ではない。 第二に、健康、教育、気候などの重要な応用は別として、他人を犠牲にして特定の問題に焦点をあてることである。
  論文  参考訳（メタデータ） (2024-09-21T14:43:54Z)
• Climate Downscaling: A Deep-Learning Based Super-resolution Model of Precipitation Data with Attention Block and Skip Connections [2.419452632652106]
  台湾では年間平均降水量は2,500ミリ (mm) に達するが、平均降水量は世界平均よりも低い。 低分解能降水データを高分解能にダウンスケールするために、スキップ接続、アテンションブロック、補助データ結合を備えたディープ畳み込みニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2024-03-26T16:36:50Z)
• Comparing Data-Driven and Mechanistic Models for Predicting Phenology in Deciduous Broadleaf Forests [47.285748922842444]
  我々は、気象時系列から表現指標を予測するために、ディープニューラルネットワークを訓練する。 このアプローチは従来のプロセスベースのモデルよりも優れています。
  論文  参考訳（メタデータ） (2024-01-08T15:29:23Z)
• Combining deep generative models with extreme value theory for synthetic hazard simulation: a multivariate and spatially coherent approach [0.0]
  GAN(Generative Adversarial Network)は、高次元設定でデータの分布を暗黙的に学習する能力のため、このような問題に適している。 我々は,ベンガル湾に面した日最大風速,波高,総降水量の依存構造をモデル化するために,GANを用いた。 一度訓練すれば、このモデルは何千もの現実的な複合危険事象を効率的に生成することができる。
  論文  参考訳（メタデータ） (2023-11-30T12:55:51Z)
• CMIP X-MOS: Improving Climate Models with Extreme Model Output Statistics [40.517778024431244]
  自然災害リスクの予測を改善するために, エクストリームモデル出力統計(X-MOS)を導入する。 この手法は, 気象観測所から得られた実測値にCMIPモデル出力を正確にマッピングするために, 深部回帰手法を用いる。 これまでの研究とは対照的に,本研究では,将来の気候パラメータ分布の尾部推定の強化に重点を置いている。
  論文  参考訳（メタデータ） (2023-10-24T13:18:53Z)
• Identifiable Latent Polynomial Causal Models Through the Lens of Change [82.14087963690561]
  因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。 主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
  論文  参考訳（メタデータ） (2023-10-24T07:46:10Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Multi-scale Digital Twin: Developing a fast and physics-informed surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
  気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。 U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。 並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
  論文  参考訳（メタデータ） (2022-11-20T06:46:35Z)
• Deep generative model super-resolves spatially correlated multiregional climate data [5.678539713361703]
  逆ネットワークに基づく機械学習により、ダウンスケーリングにおける地域間空間相関を正確に再構築できることを示す。 提案手法は,気候変動の影響を地域間一貫した評価に有効である。 本稿では,低分解能降雨場を圧力場に置き換えた深部生成モデルに基づくダウンスケーリング手法の結果について述べる。
  論文  参考訳（メタデータ） (2022-09-26T05:45:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。