直播预告

5月31日(周日)19:00-21:00,集智复杂系统自动建模读书会将进行新一期的论文分享直播,欢迎感兴趣的朋友参与。


基于地球气候系统的因果推断


直播地址:集智俱乐部 B 站直播间


👀关注B站主播“集智俱乐部”
不错过每一场集智重磅直播


直播地址:
https://live.bilibili.com/8091531
直播时间 :19:00-21:00


论文1:几种因果检测方法在二元系统中的应用效果比较

论文题目:

Comparison of six methods for the detection of causality in a bivariate time series

论文地址:

https://journals.aps.org/pre/abstract/10.1103/PhysRevE.97.042207

论文简介:

确定变量之间的因果关系对于理解复杂系统有重要作用,但从观测到的时间序列中检测因果关系一直具有很大的挑战性。即使在简化的双变量耦合系统中,各种因果检测方法的应用效果依然受到系统的动力学结构、时间序列性质的影响。在这篇论文中,研究者们介绍了六种常用的因果检测方法,并对它们的性能进行了比较性研究。从最简单的双变量耦合系统出发,可以模拟一些真实世界中观测变量的常见因果关系和性质,如单向与双向因果传递关系、共因子的伪因果关系、弱相关下的因果关系。结果显示,在不同的动力学情景下,六种方法表现出了不一样的适用性。同时,这项研究也再次证明了因果关系的一个重要特征,即变量间信息传递的不对等性。真实世界中的系统,如生物系统、气候系统等,往往比二元系统更加复杂,这篇论文为今后因果检测方法的继续改进提供了很好的参照,更为我们对因果方法的使用带来了很多思考,其中最重要的便是:想要正确揭开因果关系的面纱,注重不同方法的适用条件十分必要。


论文作者:

Anna Krakovská,Jozef Jakubík,Martina Chvosteková


主讲人:

黄玉,集智读书会会员,某高校物理学在读博士生,研究方向为气候学与非线性动力学。



论文2:基于大规模非线性时间序列的因果关系推断
论文题目:

Detecting and quantifying causal associations in large nonlinear time series datasets

论文地址:

https://advances.sciencemag.org/content/5/11/eaau4996

论文简介:

从观测时间序列数据中确定因果关系,并量化其强度是研究诸如地球系统或人体等学科中复杂动力系统的关键问题。在这种系统中,因为数据集通常是高维和非线性的,且样本量有限,进行数据驱动的因果关系推理是一个挑战。本文中,作者引入了一种新的方法,将线性或非线性条件独立性检验与因果发现算法灵活地结合在一起,试图从大规模时间序列数据集中估计因果网络。作者在气候系统和人类心脏中的时间序列上验证了该方法,并使用模仿真实世界数据的典型属性的大规模合成数据集进行了验证。实验表明,作者提出的方法在检测能力上优于现有的技术,这为从时间序列中发现和量化一系列研究领域的因果网络开辟了全新的可能性。

 

本文作者 Jakob Runge 现任职于德国宇航中心数据科学研究所(German Aerospace Center, Institute of Data Science),主要从事与地球科学领域相关的因果推断和统计机器学习方面的工作。目前他的 H 因子为 20,是因果推断领域知名的青年学者。这篇文章撰写于他任职英国帝国理工大学期间。


论文作者:
Jakob Runge,Peer Nowack,Marlene Kretschmer,Seth Flaxman,Dino Sejdinovic


主讲人:

胡国辉,中国科学技术大学流体力学专业博士,上海大学上海市应用数学和力学研究所教授。目前已在Nanotechnology、Journal of Chemical Physics、Biomechanics and Modeling in Mechanobiology、Physics of Fluids、Science China 等国内外期刊上发表学术论文 60 余篇,已主持 5 项国家自然科学基金项目的研究。目前的主要研究方向是微纳尺度流体力学和流动稳定性。



论文3:融合领域知识的图神经网络雾霾预报模型

论文题目:

PM2.5-GNN: A Domain Knowledge Enhanced Graph Neural Network For PM2.5 Forecasting

论文地址:

https://arxiv.org/abs/2002.12898

https://github.com/shawnwang-tech/PM2.5-GNN 

论文简介:

大气污染是当今世界面临的严峻挑战之一,预报雾霾(PM2.5)能够帮助政府决策、指导个人出行,具有重要的社会意义。但由于大气污染是复杂系统,准确预报极具挑战。具体表现在影响雾霾的因素众多,污染物之间还会发生化学反应生成二次污染物,时间与空间的长程相关性。本文在深刻理解雾霾成因的基础上,将环境与气象的领域知识融入建模中,提出了基于图神经网络(GNN)的雾霾预报模型 PM2.5-GNN。本文基于复杂网络的观点,将污染物颗粒看成是在所构建的城市雾霾传输网络上随机游走的粒子。使用 GRU 与 GNN 的组合来学习雾霾的动力学特征。其中,GRU的 cell 存储和遗忘门别建模污染物的累积与竖直方向上的消散,GNN 的消息传递与邻居汇聚分建模污染物在风影响下的传播。同时,本文发布了 PM2.5 大规模数据集 KnowAir。通过大量实验验证了模型的准确性,达到了 state-of-the-art,并且开源代码。


论文作者:

Shuo Wang,Yanran Li,Jiang Zhang,Qingye Meng,Lingwei Meng,Fei Gao


主讲人:

王硕东北大学模式识别与智能系统硕士,前彩云天气算法工程师,研究方向为图神经网络、雾霾预报、网络重构。



编辑:张爽



预购录播,无限回看


错过直播怎么办?意犹未尽怎么办?不要担心,录播地址已经放出


预购课程录播,三个工作日后即可回看剪辑版本。


https://campus.swarma.org/mobile/course/1573/?/from=wechat






集智俱乐部QQ群|877391004

商务合作及投稿转载|swarma@swarma.org

◆ ◆ 

搜索公众号:集智俱乐部


加入“没有围墙的研究所”

让苹果砸得更猛烈些吧!



👇点击“阅读原文”,了解更多论文信息