利用基于图神经网络（GNN）的混合模型，我们通过将全球气候和野火数据表示为图形，解决了传统模型中存在的空洞海洋数据位置和远程相关性的挑战，并且在未见过的 JULES-INFERNO 模拟数据集上展示出卓越的预测准确性。此外，通过社区检测和集成梯度分析，我们揭示了潜在的野火相关性聚类和特征重要性，强调了模型的可解释性。我们的研究不仅推动了野火预测方法领域的发展，还强调了模型透明度的重要性，并为野火管理的利益相关者提供了有价值的见解。

Feb, 2024

图神经网络 (GNNs) 在因果学习中的应用和发展进行了全面的综述，包括分类和应用等方面，提供了与实际研究相关的数据集，同时探讨了因果学习在不同领域的应用，为机器学习这一快速发展领域的挑战和未来的研究方向提供了启示。

Nov, 2023

通过构建人工合成数据集和进行实验验证，本论文从因果学习的角度综合分析了各种图神经网络模型，在此基础上提出一种轻量且高度适应性的图神经网络模块，以增强其因果学习能力。

Dec, 2023

研究发现了图神经网络在因果分析方面的潜力，通过评估不同数据环境中九个基准图分类模型的效率和灵活性，突显了预测能力以及需求进一步提升的领域。

Jan, 2024

通过将神经网络和统计结构学习模型相结合，我们提出了一种混合方法，通过从多变量数据中自主学习依赖关系并构建动态变化的依赖图，从而实现了在缺乏明确定义图的情况下利用图神经网络进行多变量预测。在真实世界的基准数据集上，我们的方法显著提高了性能。

Dec, 2023

本文介绍 Causal Graph Process Neural Network (CGProNet)，它结合了 CGPs 和 GNNs，用于时空预测，并通过使用更少的参数、减少内存使用和提高运行效率来优化模型。实验结果表明 CGProNet 在保持竞争力的预测性能的同时，最小化了内存和时间需求。

May, 2024

通过深入研究，我们评估了各种机器学习算法在预测野火相关任务中的分类和回归任务方面的有效性。我们发现，对于不同类型或阶段的野火分类，XGBoost 模型在准确性和稳健性方面优于其他模型。与此同时，Random Forest 回归模型在预测受野火影响范围方面展现出更好的结果，同时在预测误差和解释方差两方面表现出色。此外，我们还开发了一个集成数值数据和图像信息的混合神经网络模型，用于同时进行分类和回归任务。为了深入了解这些模型的决策过程并确定重要的特征，我们利用了可解释的人工智能（XAI）技术，包括 TreeSHAP、LIME、Partial Dependence Plots（PDP）和 Gradient-weighted Class Activation Mapping（Grad-CAM）。这些解释工具揭示了各种特征的重要性和相互作用，突出了影响野火预测的复杂因素。我们的研究不仅证明了特定机器学习模型在野火相关任务中的有效性，而且强调了模型透明度和可解释性在环境科学应用中的关键作用。

Apr, 2024

本文通过引入因果关系，基于图神经网络框架提出一种面向在线广告的点击率预测模型（Causal-GNN），采用结构化特征表达学习方法（GraphFwFM）和 GraphSAGE 分别学习特征、用户和广告的图表示，并在三个公共数据集上的实验证明了本模型在 AUC 和 Logloss 上的优越性以及 GraphFwFM 在因果关系特征图上捕捉高阶特征表示的有效性。

Jan, 2023

本研究开发了一种多模式野火预测和个性化早期警告系统，该系统基于先进的机器学习框架，使用来自环境保护局的传感器数据和 2012 年至 2018 年的历史野火数据，成功设计了新型的 U-Convolutional-LSTM 神经网络，能够提取与迫在眉睫的野火相关的关键时空特征。此外，地质数据被用于提供更好的野火风险评估。最终，为个有感官障碍或呼吸恶化症状的人提出了个性化早期警告系统，旨在为危险地区的居民提供更好的准备，从而挽救生命并减少经济损失。

Aug, 2022

该研究利用卷积神经网络（CNN）和迁移学习技术分析地理空间数据，特别是用于识别受野火影响的区域，并结合加拿大火险指数（FWI）评估湿度条件，通过建立一个 0 至 5 的火险级别量表与天气模式动态连接，实现了大规模烧毁区域的准确识别，为预测和减轻火灾提供了实时实用的方法。

Mar, 2024