Deep Graphical Models for Causality Analysis of Multivariate Time Series. Anomaly Detection, Attribution, and Environmental Science Applications
PAYBACK Punkte
0 °P sammeln!
Die vorliegende Arbeit beschäftigt sich mit der Entwicklung und Anwendung tiefer grafischer Modelle zur Kausalitätsanalyse, insbesondere in multivariaten Zeitreihen. Ein Schwerpunkt liegt dabei auf der Berücksichtigung versteckter Störfaktoren und der Analyse nichtlinearer Zusammenhänge. Durch die Integration von Expertenwissen und den Einsatz von Proxy-Variablen können komplexe kausale Strukturen in verrauschten Daten, die über nichtlineare Kausalverknüpfungen miteinander verbunden sind und von versteckten Störfaktoren beeinflusst sind, aufgedeckt werden. Die entwickelten Methoden er...
Die vorliegende Arbeit beschäftigt sich mit der Entwicklung und Anwendung tiefer grafischer Modelle zur Kausalitätsanalyse, insbesondere in multivariaten Zeitreihen. Ein Schwerpunkt liegt dabei auf der Berücksichtigung versteckter Störfaktoren und der Analyse nichtlinearer Zusammenhänge. Durch die Integration von Expertenwissen und den Einsatz von Proxy-Variablen können komplexe kausale Strukturen in verrauschten Daten, die über nichtlineare Kausalverknüpfungen miteinander verbunden sind und von versteckten Störfaktoren beeinflusst sind, aufgedeckt werden. Die entwickelten Methoden ermöglichen nicht nur die Schätzung der Intensität kausaler Zusammenhänge, sondern auch die Detektion und Attribution von Anomalien in multivariaten Zeitreihen. Ein weiterer Beitrag dieser Arbeit ist die Entwicklung einer neuen datengetriebenen Methode zur Partitionierung des Netto-Ökosystem-Austauschs (engl. net ecosystem exchange). Durch die Anwendung eines tiefen Zustandsraummodells können die Tageswerte der Ökosystematmung geschätzt werden, was für das Verständnis des Klimawandels von großer Bedeutung ist.
Andere Kunden interessierten sich für
