Quantifying Causes of Arctic Amplification via Deep Learning based Time-series Causal Inference
以深度学习时间序列因果推断量化北极放大的成因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：摘要明确提出连续处理下的时间序列因果推断，并针对时变混杂建模，支持因果推断和时间序列方法分类。
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…
关注这篇论文的作者
以深度学习时间序列因果推断量化北极放大的成因
- 研究问题
- 面对连续处理、时变混杂和非线性地球科学数据，如何量化大气过程对北极海冰融化的因果影响？
- 方法与思路
- 作者提出TCINet，将循环神经网络与新的概率平衡技术结合，用于连续处理下的时间序列因果推断。
- 材料陈述的贡献
- 摘要称，合成与观察数据实验展示了方法量化北极海冰融化主要成因的潜力，旨在改善地球科学中的因果分析。
- 阅读关注点
- 应核对连续处理与时间窗口的定义、时变混杂识别条件、概率平衡目标，以及观察数据中验证因果结论的依据。
- 阅读边界
- 这是arXiv预印本，同行评审或期刊接收未获核验；摘要未说明识别假设及数值结果，不能确认观察性因果结论。
原文摘要
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.