論文の概要: Robust Causality and False Attribution in Data-Driven Earth Science Discoveries

• arxiv url: http://arxiv.org/abs/2209.12580v1
• Date: Mon, 26 Sep 2022 10:45:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-27 17:16:43.037877
• Title: Robust Causality and False Attribution in Data-Driven Earth Science Discoveries
• Title（参考訳）: データ駆動型地球科学発見におけるロバスト因果性と誤帰属
• Authors: Elizabeth Eldhose (1), Tejasvi Chauhan (1), Vikram Chandel (1), Subimal Ghosh (1 and 2), and Auroop R. Ganguly (3 and 4) ((1) Department of Civil Engineering, Indian Institute of Technology Bombay, Mumbai, India, (2) Interdisciplinary Program in Climate Studies, Indian Institute of Technology Bombay, Mumbai, India, (3) Sustainability and Data Sciences Laboratory, Department of Civil and Environmental Engineering, Northeastern University, Boston, MA, USA, (4) Pacific Northwest National Laboratory, Richland, WA, USA)
• Abstract要約: 因果研究と帰属研究は、地球科学的な発見や気候、生態学、水の政策を知らせるために不可欠である。 ここでは,移動エントロピーに基づく因果グラフが,統計的に有意に拡張された場合でも飛躍的であることを示す。 我々は,頑健な因果解析のためのサブサンプルに基づくアンサンブル手法を開発した。
• 参考スコア（独自算出の注目度）: 0.3503794925747607
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal and attribution studies are essential for earth scientific discoveries and critical for informing climate, ecology, and water policies. However, the current generation of methods needs to keep pace with the complexity of scientific and stakeholder challenges and data availability combined with the adequacy of data-driven methods. Unless carefully informed by physics, they run the risk of conflating correlation with causation or getting overwhelmed by estimation inaccuracies. Given that natural experiments, controlled trials, interventions, and counterfactual examinations are often impractical, information-theoretic methods have been developed and are being continually refined in the earth sciences. Here we show that transfer entropy-based causal graphs, which have recently become popular in the earth sciences with high-profile discoveries, can be spurious even when augmented with statistical significance. We develop a subsample-based ensemble approach for robust causality analysis. Simulated data, and observations in climate and ecohydrology, suggest the robustness and consistency of this approach.
• Abstract（参考訳）: 因果研究と帰属研究は地球科学的な発見に不可欠であり、気候、生態学、水政策に重要なものである。 しかし、現在の世代の手法は、科学的およびステークホルダーの課題とデータ可用性の複雑さと、データ駆動手法の適切性に追従する必要がある。 物理学に詳しく知らなければ、因果関係と相関関係を混同したり、不正確な推定によって圧倒されるリスクを負う。 自然実験、制御された試行、介入、および反事実検査は、しばしば非現実的であり、情報理論の手法が開発され、地球科学において継続的に洗練されている。 ここでは,最近地球科学で注目されている移動エントロピーに基づく因果グラフが,統計学的に有意に拡張された場合でも,急激であることを示す。 我々は,頑健な因果解析のためのサブサンプルに基づくアンサンブル手法を開発した。 シミュレーションデータと気候と生態学の観察は、このアプローチの堅牢性と一貫性を示唆している。

関連論文リスト

• Discovering Latent Structural Causal Models from Spatio-Temporal Data [23.400027588427964]
  SPACY(SPAtiotemporal Causal discoverY)は変分推論に基づく新しいフレームワークである。 SPACYは、合成データに対する最先端のベースラインよりも優れ、大きなグリッドに対してスケーラブルであり、現実世界の気候データから既知の重要な現象を識別する。
  論文  参考訳（メタデータ） (2024-11-08T05:12:16Z)
• Causal Representation Learning in Temporal Data via Single-Parent Decoding [66.34294989334728]
  科学的研究はしばしば、システム内の高レベル変数の根底にある因果構造を理解しようとする。 科学者は通常、地理的に分布した温度測定などの低レベルの測定を収集する。 そこで本研究では,単一親の復号化による因果発見法を提案し,その上で下位の潜伏者と因果グラフを同時に学習する。
  論文  参考訳（メタデータ） (2024-10-09T15:57:50Z)
• Hypothesizing Missing Causal Variables with LLMs [55.28678224020973]
  我々は、入力が欠落変数を持つ部分因果グラフであるような新しいタスクを定式化し、出力は部分グラフを完成させるための欠落変数に関する仮説である。 原因と効果の間の媒介変数を仮説化するLLMの強い能力を示す。 また,オープンソースモデルの一部がGPT-4モデルより優れているという驚くべき結果も得られた。
  論文  参考訳（メタデータ） (2024-09-04T10:37:44Z)
• Smoke and Mirrors in Causal Downstream Tasks [59.90654397037007]
  本稿では, 治療効果推定の因果推論タスクについて検討し, 高次元観察において利害関係が記録されている。 最先端の視覚バックボーンから微調整した6つの480モデルを比較し、サンプリングとモデリングの選択が因果推定の精度に大きく影響することを発見した。 以上の結果から,今後のベンチマークでは,下流の科学的問題,特に因果的な問題について慎重に検討すべきであることが示唆された。
  論文  参考訳（メタデータ） (2024-05-27T13:26:34Z)
• Causality for Earth Science -- A Review on Time-series and Spatiotemporal Causality Methods [2.790669554650619]
  本稿では、因果的発見と因果的推論の概要を述べ、根底にある因果的仮定を説明し、評価手法を列挙する。 本論文は,時系列および時間因果解析に導入された最先端の手法と,その強みと限界を取り入れたものである。
  論文  参考訳（メタデータ） (2024-04-03T14:33:23Z)
• Discovering Causal Relations and Equations from Data [23.802778299505288]
  本稿では、物理学の幅広い分野における因果関係と方程式発見に関する概念、方法、および関連する研究について概説する。 我々は、観察因果関係と方程式発見のための分類法を提供し、接続を指摘し、ケーススタディの完全なセットを示します。 興奮する時間は、複雑なシステムに対する理解を改善するための多くの課題と機会に先立ちます。
  論文  参考訳（メタデータ） (2023-05-21T19:22:50Z)
• GFlowNets for AI-Driven Scientific Discovery [74.27219800878304]
  我々はGFlowNetsと呼ばれる新しい確率論的機械学習フレームワークを提案する。 GFlowNetsは、実験科学ループのモデリング、仮説生成、実験的な設計段階に適用できる。 我々は、GFlowNetsがAIによる科学的発見の貴重なツールになり得ると論じている。
  論文  参考訳（メタデータ） (2023-02-01T17:29:43Z)
• Spatiotemporal modeling of European paleoclimate using doubly sparse Gaussian processes [61.31361524229248]
  計算負担を軽減するため,近年の大規模分散時間GPを構築した。 我々は,古気候の確率モデルを構築するために,この2倍のスパースGPをうまく利用した。
  論文  参考訳（メタデータ） (2022-11-15T14:15:04Z)
• A Data Scientist's Guide to Streamflow Prediction [55.22219308265945]
  我々は,水文降雨要素と流出モデルに着目し,洪水の予測と流れの予測に応用する。 このガイドは、データサイエンティストが問題や水文学的な概念、そしてその過程で現れる詳細を理解するのを助けることを目的としています。
  論文  参考訳（メタデータ） (2020-06-05T08:04:37Z)

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。