Apr, 2024

地球科学的因果关系 -- 时间序列和时空因果关系方法综述

PDF
TL;DR该研究概述了时间序列和时空因果分析方法在地球科学中的应用，介绍了因果发现和推断的基本概念、评估技术和领域术语，并提供了当前最先进的方法以及它们的优势和局限性。此外，研究还描述了多种应用，例如极端天气事件、海平面上升和相互关联等，可以作为数据科学研究人员和地球科学社区在进行因果分析研究时的入门指南。
发现论文，激发创造
  • 定量因果关系、因果引导的科学发现和因果机器学习

    因果分析对于可解释的深度学习和泛化提供了有前景的途径，通过将因果性纳入人工智能算法，并利用气象可预测性初次构建严格的因果分析形式体系，在过去的 18 年中，成功解决了以往因果性分析中模糊、非数量化、计算效率低等挑战，并通过广泛应用在大气海洋科学以及其他学科领域，如量子力学、神经科学、金融经济学等，带来了科学发现。本文简要回顾了这十年来的探索工作，包括重要的理论结果列表、因果深度学习框架的概述以及与地球科学相关的一些实际应用，例如关于全球变暖人为原因、El Niño Modoki 的年代预测、中国极端干旱的预测等。

    Feb, 2024

  • 检测大规模非线性时间序列数据中的因果关系

    提出了一种结合线性或非线性条件独立性检验与因果发现算法的方法，可以从大规模时间序列数据集中重构因果网络，从而在气候科学或神经科学等研究领域中识别因果关系。

    Feb, 2017

  • 从下而上的因果关系：一项综述

    因果关系是各个领域研究事件、现象和结果之间关系的基本方法之一，本文调查了因果关系在过去五十年的发展，揭示了它与其他方法的差异以及使用它的前提条件，同时阐明了因果关系与人工智能、生成式人工智能、机器学习、深度学习、强化学习和模糊逻辑等新方法的相互作用及其对各个领域的影响和贡献，以及其模型的可信度和可解释性，并提出了几种评估因果关系模型的方法，并讨论了未来的发展方向。

    Mar, 2024

  • 时空数据挖掘：问题与方法综述

    介绍了关于 spatio-temporal 数据挖掘领域的研究，在各个领域如气候科学、社会科学、神经科学、流行病学、交通运输、移动健康和地球科学方面，讨论了六种主要类型的问题：聚类、预测学习、变化检测、频繁模式挖掘、异常检测和关系挖掘。

    Nov, 2017

  • 格兰杰因果关系：回顾与最新进展

    本文对 Granger 因果性的早期发展和辩论进行了回顾，并讨论了近期针对该概念局限性的各种改进，从高维时间序列模型到考虑非线性、非高斯观测的模型，以及允许子样本和混合频率时间序列的模型。

    May, 2021

  • 针对时态和非时态数据的因果发现方法调查

    本研究介绍了因果发现中常用的术语，讨论了用于不同场景中识别因果边的方法，还探讨了用于评估因果发现算法性能的基准数据集、现有工具和常用指标。最后，我们总结了因果发现中存在的常见挑战，并讨论了因果发现在多个领域的应用。

    Mar, 2023

  • 应用于市场预测的通用时间序列数据的因果分析

    本文探究了基于时间延迟的因果分析和皮尔逊相关性在金融市场预测中的应用。作者提出了一种适用于金融市场的时间序列数据的实用方法，并使用不同类型的金融和社交媒体数据进行了实验测试。结果显示该方法可以判别不同实时市场数据之间的因果关系，同时讨论了目前工作中存在的问题和可能的方向。

    Apr, 2022

  • 从时间序列数据中发现结构因果模型的混合物

    从混合不同因果模型的时间序列数据中，利用证据下界最大化的方法进行因果发现，经过实验证明在探测来自不同因果图的数据时，该方法优于现有基准模型。

    Oct, 2023

  • 因果推断综述

    本文综述了在潜在结果框架下，针对观察数据的因果推断方法。这些方法分为两类，包括传统的统计学方法和最新的机器学习方法，还介绍了这些方法在广告、推荐、医学等领域的应用以及常用的基准数据集和开源代码。

    Feb, 2020

  • 复杂工业系统中的因果发现：一个时序基准

    通过从专家知识构建的因果图，我们提供了一个测试平台，用于从复杂系统的时间序列观测中进行因果推断，我们相信这可以为因果推断方法的发展提供帮助。

    Oct, 2023