📊 statistics

Learning General Causal Structures with Hidden Dynamic Process for Climate Analysis

本文介绍了 CaDRe，这是一个统一的框架，能够共同识别观测到的气候变量与来自时间序列数据的潜在驱动力之间的因果关系，并为气候分析提供理论上的可识别性保证和可解释性的见解。

原作者： Minghao Fu, Biwei Huang, Zijian Li, Yujia Zheng, Ignavier Ng, Guangyi Chen, Yingyao Hu, Kun Zhang

发布于 2026-06-01

📖 1 分钟阅读☕ 轻松阅读

原作者： Minghao Fu, Biwei Huang, Zijian Li, Yujia Zheng, Ignavier Ng, Guangyi Chen, Yingyao Hu, Kun Zhang

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图通过观察一个布满仪表盘（温度、风速、湿度和气压）来了解天气。你可以看到指针在移动（观测数据），但你知道这些移动是由看不见的驱动力（如深海洋流、太阳辐射或移动的气团）所驱动的，而你无法直接看到它们（隐藏驱动因素）。

长期以来，科学家有两种主要的研究方法：

相关性（Correlation）： “当温度计上升时，湿度计通常会下降。”这告诉了你发生了什么现象，但没有告诉你为什么。
因果发现（Causal Discovery）： 试图弄清楚哪个仪表盘导致了另一个的变化。但如果存在看不见的变量在幕后操控，这种方法通常会失败，因为数学计算会被这些隐形变量搞混。

这篇论文介绍了一种名为 CaDRe（因果发现与表示学习）的新工具，它同时解决了这两个问题。以下是它的工作原理，使用简单的类比进行说明：

1. “隐形木偶师”问题

把气候系统想象成一场木偶戏。

木偶： 这些是我们能测量到的事物（温度、降雨、风）。
木偶师： 这是看不见的驱动力（比如巨大的气压系统），它控制着木偶。
问题所在： 以前的方法试图弄清楚木偶之间是如何相互关联运动的，但由于木偶师同时拉动多根线，这些方法就会产生混乱。其他方法试图寻找木偶师，却忽略了木偶自身是如何相互作用的。

CaDRe 的解决方案： 它就像一位超级聪明的侦探，通过观察这场表演，既能找出谁是“木偶师”，也能找出“木偶”之间是如何连接的，且两者同时进行。

2. 它是如何破解的（“时空旅行”技巧）

你无法直接看到木偶师，但你可以看到木偶随时间变化的运动轨迹。CaDRe 使用了一个巧妙的技巧，即利用时间。

想象你在看一部关于天气的电影。

如果你只看单一的一帧画面，很难判断是什么导致了变化。
但如果你观察“前一帧”、“当前帧”以及“后一帧”，一种模式就会显现出来。

CaDRe 将“隐藏的木偶师”视为一个在每一时刻都会发生微小变化的特征。通过对比“之前”和“之后”的状态，模型可以从数学上反向推导出那个隐藏的角色当时一定在做什么。这就像是通过观察池塘中的涟漪，来推断出投石入水之物的形状，即使你并没有亲眼看到那块石头。

3. 分离信号与噪声

现实世界的数据是杂乱无章的。这就像是在一个嘈杂拥挤的房间里试图听清一段对话。

信号（Signal）： 真实的天气模式。
噪声（Noise）： 随机的故障、测量误差或微小的局部扰动（比如路过的汽车带起的突发阵风）。

CaDRe 旨在将“对话”（真实的因果结构）从“背景噪声”中分离出来。它学会了忽略静电干扰，转而专注于支配整个系统的底层规则。

4. 它究竟发现了什么（实验结果）

作者通过两种方式测试了这个工具：

“虚构天气”测试： 他们创建了一个已知精确规则和隐藏变量的计算机模拟系统。CaDRe 成功找到了隐藏变量以及它们之间的正确连接，证明了其数学逻辑的有效性。
“真实天气”测试： 他们将该工具应用于真实的载历史气候数据（如海洋温度和风向模式）。
- 预测能力： 它对未来天气的预测效果达到了、甚至超过了现有的最佳 AI 模型。
- 发现能力： 它绘制了一张不同天气变量如何相互影响的地图。当他们将这张地图与人类气象学家所掌握的物理学知识（例如风如何在地球周围流动）进行对比时，发现两者的图谱完全吻合。

核心结论

这篇论文不仅仅是在说“我们能更好地预测天气”。它是在说：“我们终于能够看清气候机器内部那些隐形的齿轮是如何运转的。”

通过将因果表示学习（寻找隐藏的齿轮）与因果发现（绘制齿轮如何连接的地图）相结合，CaDRe 为科学家提供了一个清晰且具有解释性的图像，展示了气候行为背后的真正原因，而不仅仅是基于模式进行猜测。它将一个充满混乱数据的“黑箱”，变成了一个透明、可理解的机器。

技术摘要：通过隐藏动态过程学习气候分析中的通用因果结构

问题陈述

理解气候动力学需要超越相关性分析，去揭示潜在的因果过程。气候系统具有两个现有方法经常忽略的关键复杂性：

潜在驱动因子（Latent Drivers）： 未观测到的大气过程（例如，气压系统、降水驱动因素）显著影响观测变量（例如，温度），并随时间呈现具有瞬时和滞后依赖性的随机演化。
观测变量间的因果关系（Observable-to-Observable Causality）： 地理位置邻近的观测变量之间存在直接的因果影响（例如，区域间的热传递），同时也受到潜在驱动因子的影响。

传统的**因果表示学习（Causal Representation Learning, CRL）**侧重于恢复潜在因子，但通常假设从潜在空间到观测空间的生成是无噪声且可逆的，忽略了观测变量之间的因果关系。相反，**因果发现（Causal Discovery, CD）**方法往往依赖于参数化假设，或者在存在潜在变量及混杂因素的情况下无法识别这些变量及其相互关系。本文旨在解决一个统一框架的需求，该框架能够在非参数化设置和随机噪声环境下，同时恢复 (i) 潜在动态过程和 (ii) 观测变量之间的因果结构。

方法论：CaDRe

作者提出了 CaDRe（Causal Discovery and Representation learning，因果发现与表示学习），这是一种基于状态空间变分自编码器（VAE）的时间序列生成模型，它集成了 CRL 和因果发现。

1. 理论基础

该框架在特定假设下建立了可识别性保证：

潜在空间恢复（定理 3.2）： 通过利用相邻时间步（ $x_{t-1}, x_t, x_{t+1}$ ）的上下文信息，模型证明了即使在有噪声观测的情况下，潜在变量 $z_t$ 在数值水平上也是可识别的（在可逆微分变换 $h_z$ 意义下）。这依赖于分布变换算子的单射性以及“潜在漂移（latent drift）”假设（即不同的潜在状态会诱导产生不同的观测条件分布）。
SEM-ICA 等价性（定理 3.5）： 本文建立了控制气候系统的结构方程模型（SEM）与非线性独立成分分析（Nonlinear ICA）之间的函数等价关系。具体而言，混合结构的雅可比矩阵（ $J_m$ ）与观测因果图的雅可比矩阵（ $J_g$ ）满足以下关系：
$J_g(x_t)J_m(s_t) = J_m(s_t) - D_m(s_t)$
其中 $D_m$ 是一个对角矩阵。这使得可以直接从混合结构中推导出观测变量上的因果图。
因果图可识别性（定理 3.6）： 在生成过程具有足够变化（generation variability）和函数忠实性（functional faithfulness）的条件下，观测变量上的因果图是可识别的。

2. 估计框架

CaDRe 使用 VAE 架构实例化了这些理论，包含以下组件：

编码器（Encoders）： 一个 $z$ -编码器用于提取潜在变量（ $\hat{z}_t$ ），一个 $s$ -编码器用于提取依赖于 $z_t$ 的非平稳噪声（ $\hat{s}_t$ ）。
解码器（Decoder）： 从 $\hat{z}_t$ 和 $\hat{s}_t$ 重构观测值 $\hat{x}_t$ 。
先验网络（Prior Networks）： 利用标准化流（normalizing flows）来建模潜在变量的转移过程（ $z_{t-1} \to z_t$ ）以及噪声的混合。可学习的逆转移函数用于识别哪些潜在变量在因果上影响其他变量。
损失函数： 模型优化一个增强了结构惩罚项的证据下界（ELBO）：
$L_{ALL} = L_{ELBO} + \alpha L_s + \beta L_d$
- $L_s$ ：对潜在转移和观测混合的雅可比矩阵进行稀疏性惩罚，以强制实现稀疏因果结构。
- $L_d$ ：基于矩阵幂迹的 DAG 约束，以确保观测因果图和瞬时潜在因果图的无环性。

核心贡献

统一框架： 一种全新的方法，能够同时恢复潜在动态过程和观测变量之间的因果图，填补了以往 CRL 方法忽略观测因果关系、而 CD 方法忽略潜在混杂因素的空白。
非参数化可识别性： 提供了理论证明，表明在无需假设无噪声生成或特定参数形式（如线性或加性噪声）的情况下，可以从时间序列数据中识别潜在空间和因果结构。
CaDRe 算法： 一种利用基于流的先验和基于梯度的结构惩罚来学习独立成分和因果依赖关系的实用实现。
气候洞察： 应用于真实世界气候数据，产生了符合领域专业知识的可解释因果图（例如，风向模式、陆气耦合）。

实验结果

合成数据

潜在恢复： CaDRe 在恢复潜在表示方面优于最先进的 CRL 基准模型（如 iCITRIS, G-CaRL, TDRL），在独立、稀疏和密集潜在设置下均实现了较高的 MCC 和 $R^2$ 分数。
因果发现： 该方法在恢复因果图方面显著优于基于约束的 CD 方法（FCI, PCMCI, CD-NOD），特别是在存在潜在混杂因素和非线性依赖关系的情况下。它实现了更低的结构汉明距离（SHD）和更高的精确率/召回率。

真实世界气候数据

预测： 在 CESM2、Weather 和 ERSST 等数据集上，CaDRe 的预测准确度（MSE/MAE）与先进的时间序列模型（如 iTransformer, TimesNet, Autoformer）相比具有竞争优势或更优表现，这表明学习潜在因果过程可以提高预测能力。
因果发现： 以风向作为地面真值的代理，CaDRe 恢复的因果图与物理风向模式高度一致（通过 Wind-SHD 和 Wind-TPR 衡量），优于神经网络和基于约束的基准模型。
可解释性： 恢复的潜在变量和因果图提供了符合已知现象的物理阐释（例如，降水与太阳辐射的关联、赤道海洋的西向流）。

意义与主张

本文声称通过提供一个连接潜在驱动力与观测变量间直接因果交互的统一框架，推进了对气候动力学的因果理解。其意义在于：

理论严谨性： 为联合恢复潜在动态和因果图建立了非参数化可识别性保证，而在以往，由于 CRL 的“无噪声”假设和 CD 的“全观测”假设，这一设定被认为是难以处理的。
科学实用性： 提供了解释性强的气候系统见解，补充了目前主流的基于相关性的深度学习流水线。恢复的结构与已建立的物理知识（如风系、陆气耦合）相符，有望启发气候科学领域的新假设。
实际效率： 该模型通过单步生成实现了低延迟，使其适用于高维度的现实场景。

作者指出了局限性，特别是目前的框架捕捉的是观测变量之间的同时间步边（contemporaneous edges）而非滞后边，且主要在气候数据上进行了评估。建议未来的工作是将该框架扩展到其他领域，并纳入观测变量之间的滞后因果关系。