論文の概要: Quantifying Causes of Arctic Amplification via Deep Learning based
Time-series Causal Inference
- arxiv url: http://arxiv.org/abs/2303.07122v5
- Date: Mon, 25 Sep 2023 20:28:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-27 18:05:05.088540
- 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, Yiyi Huang, Md. Osman Gani, Aneesh
Subramanian, Nicole-Jienne Shchlegel, Jianwu Wang
- Abstract要約: 連続処理下での因果関係を推論するための時系列因果推論モデルTCINetを提案する。
我々は、北極海氷の融解の原因を定量化する能力を、我々の研究によって大幅に改善できることを示します。
- 参考スコア(独自算出の注目度): 2.0672522722098683
- 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. Further, the complex non-linearity in
Earth science data makes it infeasible to perform causal inference using
existing marginal structural techniques. In order to tackle these challenges,
we propose TCINet - time-series causal inference model to infer causation under
continuous treatment using recurrent neural networks and a novel probabilistic
balancing technique. Through experiments on synthetic and observational data,
we show how our research can substantially improve the ability to quantify
leading causes of Arctic sea ice melt, further paving paths for causal
inference in observational Earth science.
- Abstract(参考訳): 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。
しかし、その根底にある熱力学的原因の詳細はまだ不明である。
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。
さらに、地球科学データの複雑な非線形性は、既存の限界構造技術を用いて因果推論を行うことができない。
これらの課題に取り組むために,反復型ニューラルネットワークと新しい確率的バランス手法を用いて,連続処理中の因果関係を推測する時系列因果推論モデル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、我々の研究は北極海氷融解の原因の定量化能力を大幅に向上し、観測地球科学における因果推論の経路をさらに深めることができることを示す。
関連論文リスト
- 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) - Identifying Three-Dimensional Radiative Patterns Associated with Early Tropical Cyclone Intensification [0.09036295373623437]
雲の放射フィードバックは初期の熱帯性サイクロンの増強に影響を及ぼす。
そこで我々は, 実数値シミュレーションTCの表面強度と放射の隠れた関係を学習するための線形変分デコーダ (VED) を提案する。
抽出した3次元放射構造を綿密に調べたところ, 内心深部対流と浅部雲からの長波放射強制力は強度に寄与することが示唆された。
論文 参考訳(メタデータ) (2024-01-17T01:17:12Z) - 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) - 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) - 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) - Efficient Causal Inference from Combined Observational and
Interventional Data through Causal Reductions [68.6505592770171]
因果効果を推定する際の主な課題の1つである。
そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。
パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-03-08T14:29:07Z) - 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) - Probing eigenstate thermalization in quantum simulators via
fluctuation-dissipation relations [77.34726150561087]
固有状態熱化仮説(ETH)は、閉量子多体系の平衡へのアプローチの普遍的なメカニズムを提供する。
本稿では, ゆらぎ・散逸関係の出現を観測し, 量子シミュレータのフルETHを探索する理論に依存しない経路を提案する。
我々の研究は、量子シミュレータにおける熱化を特徴づける理論に依存しない方法を示し、凝縮物質ポンプ-プローブ実験をシミュレーションする方法を舗装する。
論文 参考訳(メタデータ) (2020-07-20T18:00:02Z) - 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) - Controlling Rayleigh-B\'enard convection via Reinforcement Learning [62.997667081978825]
固定外熱勾配下での対流熱交換を抑制または促進するための効果的な制御戦略の同定は、重要な基本的かつ技術的問題である。
本研究では,最先端の強化学習(RL)アルゴリズムに基づく新しい手法を提案する。
我々のRL制御は導電系を安定させ、対流の開始をレイリー数にすることができることを示す。
論文 参考訳(メタデータ) (2020-03-31T16:39:25Z)
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。