Fugu-MT 論文翻訳(概要): Quantifying Causes of Arctic Amplification via Deep Learning based Time-series Causal Inference

論文の概要: Quantifying Causes of Arctic Amplification via Deep Learning based Time-series Causal Inference

arxiv url: http://arxiv.org/abs/2303.07122v2
Date: Tue, 14 Mar 2023 02:50:50 GMT
ステータス: 処理完了
システム内更新日: 2023-03-19 11:59:04.804504
Title: Quantifying Causes of Arctic Amplification via Deep Learning based Time-series Causal Inference
Title（参考訳）: 深層学習に基づく時系列因果推論による北極増幅の定量化
Authors: Sahara Ali, Omar Faruque, Jianwu Wang
Abstract要約: 北極の温暖化、または北極の増幅は、いくつかの大気と海洋のドライバーによって導かれる。繰り返しニューラルネットワークを用いた連続処理下での因果推論のためのTINet-時系列因果推論モデルを提案する。
参考スコア（独自算出の注目度）: 0.2658812114255374
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The warming of the Arctic, also known as Arctic amplification, is led by several atmospheric and oceanic drivers, however, the details of its underlying thermodynamic causes are still unknown. Inferring the causal effects of atmospheric processes on sea ice melt using fixed treatment effect strategies leads to unrealistic counterfactual estimations. Such models are also prone to bias due to time-varying confoundedness. In order to tackle these challenges, we propose TCINet - time-series causal inference model to infer causation under continuous treatment using recurrent neural networks. Through experiments on synthetic and observational data, we show how our research can substantially improve the ability to quantify the leading causes of Arctic sea ice melt.
Abstract（参考訳）: 北極圏の温暖化は、北極の増幅としても知られ、いくつかの大気と海洋の要因によって導かれるが、その熱力学的原因の詳細はまだ分かっていない。固定処理効果戦略を用いた海氷融解に対する大気プロセスの因果効果の推算は非現実的な反事実推定につながる。このようなモデルは、時間的な混乱によってバイアスになりがちである。そこで本研究では,反復型ニューラルネットワークを用いた連続処理における因果関係を推定する時系列因果推論モデルであるtcinetを提案する。合成および観測データに関する実験を通じて、北極海氷の融解の原因を定量化する能力を、我々の研究がいかに大きく改善するかを示す。

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)
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)
OXYGENERATOR: Reconstructing Global Ocean Deoxygenation Over a Century with Deep Learning [50.365198230613956]
既存の専門家が支配する数値シミュレーションは、地球温暖化や人的活動によって引き起こされる動的変動に追いつかなかった。 1920年から2023年までの世界の海洋脱酸素モデルを再構築するために,最初の深層学習モデルであるOxyGeneratorを提案する。
論文参考訳（メタデータ） (2024-05-12T09:32:40Z)
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)
Simulation-Based Inference of Surface Accumulation and Basal Melt Rates of an Antarctic Ice Shelf from Isochronal Layers [4.8407710143707]
南極氷床に突き当たる氷棚は、周囲の海への氷の放出率を決定する。現代の手法はこれらのレートの1つを解決するが、典型的には両方ではない。本研究では, 表層堆積と玄武岩の融解速度を, 日時, 年時平均で同時に推定する手法を提案する。
論文参考訳（メタデータ） (2023-12-03T12:22:45Z)
Targeted Reduction of Causal Models [55.11778726095353]
因果表現学習(Causal Representation Learning)は、シミュレーションで解釈可能な因果パターンを明らかにするための有望な道を提供する。本稿では、複雑な相互作用可能なモデルを因果因子の簡潔な集合に凝縮する方法であるTCR(Targeted Causal Reduction)を紹介する。複雑なモデルから解釈可能な高レベルな説明を生成する能力は、玩具や機械システムで実証されている。
論文参考訳（メタデータ） (2023-11-30T15:46:22Z)
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)
Deep Machine Learning Reconstructing Lattice Topology with Strong Thermal Fluctuations [10.55785051508181]
深部畳み込みニューラルネットワーク(CNN)は、強い熱ゆらぎと不均衡なデータの存在下で格子トポロジーを再構築した。提案手法は,ノードのダイナミクスに関する知識を必要とする従来の手法と区別する。我々は、未学習の初期スピン構成から進化したインスタンスを扱うためのCNNの一般化を公表する。
論文参考訳（メタデータ） (2022-08-08T13:28:21Z)
Latent State Inference in a Spatiotemporal Generative Model [3.7525506486107267]
我々は、波動伝播力学を含む温度と気象の過程に注目し、普遍的な原因は空間と時間にわたって適用されると仮定する。最近導入されたDIsed Stemporal graph Artificial Neural Architecture (DISTANA)を使用して、そのようなプロセスを学ぶ。 DISTANAは、アクティブチューニングと呼ばれる振り返り状態推論原則と組み合わせることで、位置参照型隠れ因果関係を確実に導出できることを示す。
論文参考訳（メタデータ） (2020-09-21T12:59:40Z)
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。