論文の概要: Time-Varying Causal Treatment for Quantifying the Causal Effect of Short-Term Variations on Arctic Sea Ice Dynamics
- arxiv url: http://arxiv.org/abs/2601.17647v1
- Date: Sun, 25 Jan 2026 01:44:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-27 15:23:08.112221
- Title: Time-Varying Causal Treatment for Quantifying the Causal Effect of Short-Term Variations on Arctic Sea Ice Dynamics
- Title（参考訳）: 北極海氷の短期変動の因果効果の定量化のための時間変化因果処理
- Authors: Akila Sampath, Vandana Janeja, Jianwu Wang,
- Abstract要約: 氷融解と淡水分布の因果関係の定量化が重要である。
本研究では,海氷厚とSSHの因果メカニズムを定量化するために,知識誘導変分オートエンコーダ(KGCM-VAE)を提案する。
KGCM-VAEが最先端のベンチマークよりPEHEより優れていることを示す。
- 参考スコア（独自算出の注目度）: 0.16206783799607727
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantifying the causal relationship between ice melt and freshwater distribution is critical, as these complex interactions manifest as regional fluctuations in sea surface height (SSH). Leveraging SSH as a proxy for sea ice dynamics enables improved understanding of the feedback mechanisms driving polar climate change and global sea-level rise. However, conventional deep learning models often struggle with reliable treatment effect estimation in spatiotemporal settings due to unobserved confounders and the absence of physical constraints. To address these challenges, we propose the Knowledge-Guided Causal Model Variational Autoencoder (KGCM-VAE) to quantify causal mechanisms between sea ice thickness and SSH. The proposed framework integrates a velocity modulation scheme in which smoothed velocity signals are dynamically amplified via a sigmoid function governed by SSH transitions to generate physically grounded causal treatments. In addition, the model incorporates Maximum Mean Discrepancy (MMD) to balance treated and control covariate distributions in the latent space, along with a causal adjacency-constrained decoder to ensure alignment with established physical structures. Experimental results on both synthetic and real-world Arctic datasets demonstrate that KGCM-VAE achieves superior PEHE compared to state-of-the-art benchmarks. Ablation studies further confirm the effectiveness of the approach, showing that the joint application of MMD and causal adjacency constraints yields a 1.88\% reduction in estimation error.
- Abstract（参考訳）: 氷融解と淡水分布の因果関係の定量化は,これらの複雑な相互作用が海面高度(SSH)の局所的変動として現れるため重要である。
海氷力学のプロキシとしてSSHを活用することで、北極圏の気候変動と地球規模の海面上昇を駆動するフィードバックメカニズムの理解が向上する。
しかし,従来の深層学習モデルは,保存されていない共同設立者や身体的制約の欠如による時空間的環境下での信頼性の高い治療効果推定に苦慮することが多い。
これらの課題に対処するために,海氷厚とSSHの因果メカニズムを定量化するための知識ガイド型因果モデル変分自動エンコーダ(KGCM-VAE)を提案する。
提案フレームワークは,SSH遷移によって制御されるシグモノイド関数によってスムーズな速度信号を動的に増幅し,物理的に基底化された因果処理を生成する速度変調方式を統合する。
さらに、モデルには最大平均離散性(MMD)が組み込まれており、従属空間における共変量分布のバランスと制御、および因果隣接制約デコーダが確立された物理構造との整合性を確保する。
KGCM-VAEが最先端のベンチマークよりも優れたPEHEを達成することを示す。
アブレーション研究により,MDDと因果隣接制約の併用により推定誤差が1.88 %減少することが確認された。
関連論文リスト
- Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。
シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。
マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
論文 参考訳（メタデータ） (2025-10-09T04:48:49Z) - PHASE-Net: Physics-Grounded Harmonic Attention System for Efficient Remote Photoplethysmography Measurement [63.007237197267834]
既存のディープラーニング手法は、主に生理学的モニタリングであり、理論的な堅牢性を欠いている。
本研究では,Navier-Stokes方程式のヘモダイナミックスから導かれる物理インフォームド r パラダイムを提案し,パルス信号が2次系に従うことを示す。
これは、時間的円錐ネットワーク(TCN)を使用する理論的正当性を提供する。
Phase-Netは高い効率で最先端のパフォーマンスを実現し、理論上は基礎的でデプロイ可能な r ソリューションを提供する。
論文 参考訳（メタデータ） (2025-09-29T14:36:45Z) - Learning What Matters: Causal Time Series Modeling for Arctic Sea Ice Prediction [2.1141584811533645]
本稿では,ハイブリッドニューラルネットワークアーキテクチャにおける因果的特徴選択のための因果的認識型ディープラーニングフレームワークを提案する。
提案手法は、因果的影響のある予測器を特定し、SIEダイナミクスの直接的な原因を優先し、不要な特徴を低減し、計算効率を向上させる。
実験結果から,因果入力を組み込むことにより,様々なリード時間における予測精度と解釈可能性の向上が得られた。
論文 参考訳（メタデータ） (2025-09-11T03:54:39Z) - Physics-constrained generative machine learning-based high-resolution downscaling of Greenland's surface mass balance and surface temperature [44.99833362998488]
グリーンランド氷床の表面質量収支(SMB)と表面温度の高分解能投射は将来の海面上昇を理解するのに不可欠である。
本稿では、低分解能SMBおよび表面温度場をダウンスケールする一貫性モデル(CM)に基づく、物理制約付き生成モデリングフレームワークを提案する。
提案手法は,高速推論による氷床シミュレーションのために,現実的で高解像度な気候強制を実現する。
論文 参考訳（メタデータ） (2025-07-30T08:43:48Z) - Seasonal Forecasting of Pan-Arctic Sea Ice with State Space Model [7.617560936972677]
我々は、状態空間モデルに高度な注意機構を統合するディープラーニングアーキテクチャであるIceMambaを紹介する。
IceMambaは、平均RMSEと異常相関係数(ACC)に関する全ての試験モデルより優れており、Ice Edge Error(IIEE)において第2位である。
この革新的なアプローチは、海氷の変動の影響を予見し緩和する能力を高め、気候適応を目指した戦略に不可欠な洞察を与えます。
論文 参考訳（メタデータ） (2025-05-15T19:15:00Z) - Correlation to Causation: A Causal Deep Learning Framework for Arctic Sea Ice Prediction [3.868211565468035]
本稿では,因果探索アルゴリズムとハイブリッドディープラーニングアーキテクチャを組み合わせた因果学習フレームワークを提案する。
提案手法は因果的重要な要因を特定し,直接影響のある特徴を優先し,特徴オーバーヘッドを低減し,計算効率を向上する。
実験により、因果的特徴の統合は、深層学習モデルの予測精度と複数のリードタイムでの解釈可能性を高めることが示されている。
論文 参考訳（メタデータ） (2025-03-03T22:24:14Z) - Quantifying Causes of Arctic Amplification via Deep Learning based
Time-series Causal Inference [2.0672522722098683]
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。
論文 参考訳（メタデータ） (2023-02-22T19:35:28Z) - Fully Non-Homogeneous Atmospheric Scattering Modeling with Convolutional
Neural Networks for Single Image Dehazing [42.20480089840438]
大気散乱モデル(ASM)に基づくSIDM(Single Image Dehazing Model)は顕著な結果を得た。
本研究では,新しい非均一な大気散乱モデル (FNH-ASM) を提案する。
2つの新しいコスト依存損失関数であるβ-LossとD-Lossは、感度位置のパラメータバイアスを制限するために革新的に開発されている。
論文 参考訳（メタデータ） (2021-08-25T15:27:44Z) - SALT: Sea lice Adaptive Lattice Tracking -- An Unsupervised Approach to
Generate an Improved Ocean Model [72.3183990520267]
シーライス分散と分布を効率的に推定するためのシーライス適応格子追跡手法を提案する。
具体的には、局所的な海洋特性に基づいて、オーシャンモデルの格子グラフにノードをマージすることで、適応的な空間メッシュを生成する。
提案手法は, 変動する気候下での海洋ライス寄生圧マップの予測モデルにより, 積極的養殖管理の促進を約束するものである。
論文 参考訳（メタデータ） (2021-06-24T17:29:42Z) - Constraining subglacial processes from surface velocity observations
using surrogate-based Bayesian inference [0.0]
基底運動は、南極の外での氷の流束の主要なメカニズムであるが、それを予測するための広く適用可能なモデルである。
これは、小規模のベッド特性の観察と、基底運動が依存する時間変化水圧の予測の両方が困難であるためである。
我々は、グリーンランド南西部の表面速度の観測に基づく氷力学と氷下水理の結合モデルと条件付けにより、これらの問題にベイズ的アプローチを採っている。
論文 参考訳（メタデータ） (2020-06-22T16:47:33Z)
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。