Quantifying Causes of Arctic Amplification via Deep Learning based Time-series Causal Inference

要約

北極の温暖化は、北極増幅とも呼ばれ、いくつかの大気と海洋の推進力によって引き起こされます。
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す。
固定処理効果戦略を使用して大気プロセスの海氷融解への因果関係を推論すると、非現実的な反事実的な推定につながります。
このようなモデルは、時間とともに変化する交絡によりバイアスがかかりやすくなります。
さらに、地球科学データの複雑な非線形性により、既存の限界構造技術を使用して因果推論を実行することが不可能になります。
これらの課題に取り組むために、私たちはリカレント ニューラル ネットワークと新しい確率的バランシング手法を使用して、継続的な治療の下で因果関係を推測する時系列因果推論モデル TCINet を提案します。
合成データと観測データの実験を通じて、私たちの研究がどのように北極海氷融解の主な原因を定量化する能力を大幅に向上させ、観測地球科学における因果推論への道をさらに開くことができるかを示します。

要約(オリジナル)

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.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google