研究人员开发了一个名为 CaDRe 的新框架，以改进气候分析中的因果发现。该方法联合揭示观测变量之间的因果关系并识别潜在驱动因素，克服了传统因果表示学习的局限性。CaDRe 将因果发现与表示学习相结合，证明了隐藏过程和可观测因果结构在理论上的可识别性。实验表明，CaDRe 在真实世界气候数据上实现了具有竞争力的预测精度，并生成了与领域专业知识一致的可解释因果图。 AI
影响 通过将因果发现与表示学习相结合，提高了气候建模的可解释性和准确性。
排序理由 这是一篇描述新框架及其实验验证的研究论文。
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
arXiv:2501.12500v3 Announce Type: replace Abstract: Understanding climate dynamics requires going beyond correlations in observational data to uncover the underlying causal process. Latent drivers such as atmospheric processes play a central role in temporal dynamics, while direc…