Causal hybrid modeling with double machine learning
基于双重机器学习的因果混合建模AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确以双重机器学习估计因果参数和异质性因果效应，直接对应因果推断。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
基于双重机器学习的因果混合建模
- 研究问题
- 融合机器学习与科学知识的混合模型中，如何减少正则化偏差和多组参数产生同样结果的问题，并估计可解释的因果参数？
- 方法与思路
- 作者在因果推断框架中使用双重机器学习估计混合模型，通过二氧化碳通量相关的温度响应模型和碳通量分解展示应用。
- 材料陈述的贡献
- 摘要称，在所研究的温度响应模型中，该方法较端到端神经网络更有效地估计因果参数，并可适应异质性因果效应。
- 阅读关注点
- 应核对因果图、参数识别条件、双重机器学习的实现，以及效率、正则化稳健性和避免多解等主张各自的证据范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明识别假设、效率的具体含义及比较设计，不能推定普遍优于神经网络。
原文摘要
Hybrid modeling integrates machine learning with scientific knowledge to enhance interpretability, generalization, and adherence to natural laws. Nevertheless, equifinality and regularization biases pose challenges in hybrid modeling to achieve these purposes. This paper introduces a novel approach to estimating hybrid models via a causal inference framework, specifically employing Double Machine Learning (DML) to estimate causal effects. We showcase its use for the Earth sciences on two problems related to carbon dioxide fluxes. In the $Q_{10}$ model, we demonstrate that DML-based hybrid modeling is superior in estimating causal parameters over end-to-end deep neural network (DNN) approaches, proving efficiency, robustness to bias from regularization methods, and circumventing equifinality. Our approach, applied to carbon flux partitioning, exhibits flexibility in accommodating heterogeneous causal effects. The study emphasizes the necessity of explicitly defining causal graphs and relationships, advocating for this as a general best practice. We encourage the continued exploration of causality in hybrid models for more interpretable and trustworthy results in knowledge-guided machine learning.