Mining Causality from Continuous-time Dynamics Models: An Application to Tsunami Forecasting
从连续时间动力学模型中挖掘因果结构：海啸预测应用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：摘要明确研究时间序列动力学、预测与因果结构提取，因此对应时间序列和因果推断；其应用背景是海啸预测。
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…
从连续时间动力学模型中挖掘因果结构：海啸预测应用
- 研究问题
- 神经常微分方程能够拟合时间序列动态，但模型较难解释；本文研究如何提取其中的因果结构，并兼顾海啸预测准确性。
- 方法与思路
- 作者通过约束动力学模型输入层权重的稀疏性学习结构，先在已知因果结构的情形下验证，再应用于真实海啸预测问题。
- 材料陈述的贡献
- 摘要称，该机制能学习与物理规律相容的因果关系，同时保持较高预测准确性；摘要未提供具体指标、数值或比较设置。
- 阅读关注点
- 应核对权重稀疏性如何对应因果边、已知结构实验的生成机制，以及海啸应用中物理一致性和预测准确性的评价依据。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明因果识别条件，物理一致性不足以单独确认干预因果关系。
原文摘要
Continuous-time dynamics models, such as neural ordinary differential equations, have enabled the modeling of underlying dynamics in time-series data and accurate forecasting. However, parameterization of dynamics using a neural network makes it difficult for humans to identify causal structures in the data. In consequence, this opaqueness hinders the use of these models in the domains where capturing causal relationships carries the same importance as accurate predictions, e.g., tsunami forecasting. In this paper, we address this challenge by proposing a mechanism for mining causal structures from continuous-time models. We train models to capture the causal structure by enforcing sparsity in the weights of the input layers of the dynamics models. We first verify the effectiveness of our method in the scenario where the exact causal-structures of time-series are known as a priori. We next apply our method to a real-world problem, namely tsunami forecasting, where the exact causal-structures are difficult to characterize. Experimental results show that the proposed method is effective in learning physically-consistent causal relationships while achieving high forecasting accuracy.