arXiv cs.AI· Emam Hossain, Muhammad Hasan Ferdous, Devon Dunmire, Aneesh Subramanian, Md Osman Gani·· 10 小时前AI 评分18
RIC-TSC：面向分布偏移下格陵兰冰上湖演化的因果时间序列建模
Causal Time Series Modeling of Supraglacial Lake Evolution in Greenland under Distribution Shift
AI 导读
研究者提出 RIC-TSC 框架，将滞后感知的因果发现嵌入序列建模，用于格陵兰冰上湖演化的时间序列分类。该框架利用 Sentinel-1、Sentinel-2、Landsat-8 与 CARRA 气象数据，通过 J-PCMCI+ 识别区域特定与不变预测因子，在 2018-2019 两个融化季共 1000 个手工标注湖泊的平衡基准上，分布外评估准确率比相关性基线最高提升 12.59%。
正文 · AI 翻译
摘要：因果建模为揭示时间序列数据中稳定、不变的关系提供了有原则的基础，从而提升分布偏移下的鲁棒性和泛化能力。然而，其在时空地球观测中的潜力尚未被充分利用，该领域的模型往往依赖纯相关性特征，无法在异构域之间迁移。我们提出 RIC-TSC，一种区域信息驱动的因果时间序列分类框架，将滞后感知的因果发现直接嵌入序列建模，从而同时实现预测准确性和科学可解释性。利用多模态卫星与再分析数据——包括 Sentinel-1 微波后向散射、Sentinel-2 和 Landsat-8 光学反射率以及 CARRA 气象变量——我们采用 Joint PCMCI+（J-PCMCI+）识别格陵兰冰上湖泊演化的区域特定且不变的预测因子。因果图在全局和各流域分别估计，并将经验证的预测因子及其时间滞后提供给轻量级分类器。在来自两个对比消融季（2018-2019）的 1000 个手动标注湖泊的平衡基准上，因果模型在分布外评估中比基于相关性的基线准确率最高提升 12.59%。这些结果表明，因果发现不仅是特征选择的手段，也是通向可泛化且具有机制依据的动态地表过程模型的途径。
| 评论： | 被 ICMLA 2025 接收为全文论文（专题分会 1：深度学习与应用） |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2510.15265 [cs.LG] |
| （或 arXiv:2510.15265v1 [cs.LG] 为此版本） | |
| https://doi.org/10.48550/arXiv.2510.15265 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Emam Hossain [查看邮箱]
[v1]
2025年10月17日星期五 03:06:08 UTC（1,944 KB）
来源：arXiv cs.AI · arxiv.org