[論文レビュー] Time-Varying Causal Treatment for Quantifying the Causal Effect of Short-Term Variations on Arctic Sea Ice Dynamics

Akila Sampath, Vandana Janeja+1 more|Open MIND|Jan 25, 2026

Arctic and Antarctic ice dynamics被引用数 0

ひとこと要約

本論文は、MMDベースの潜在的デコフoundingと因果隣接デコーダを用いて、SSHによって変調される短期海洋駆動因子が北極海氷厚に与える時変因果効果を推定する知識誘導型因果VAE（KGCM-VAE）を提案し、ベースラインと比較してPEHEを上回る性能を達成する。

ABSTRACT

Quantifying the causal relationship between ice melt and freshwater distribution is critical, as these complex interactions manifest as regional fluctuations in sea surface height (SSH). Leveraging SSH as a proxy for sea ice dynamics enables improved understanding of the feedback mechanisms driving polar climate change and global sea-level rise. However, conventional deep learning models often struggle with reliable treatment effect estimation in spatiotemporal settings due to unobserved confounders and the absence of physical constraints. To address these challenges, we propose the Knowledge-Guided Causal Model Variational Autoencoder (KGCM-VAE) to quantify causal mechanisms between sea ice thickness and SSH. The proposed framework integrates a velocity modulation scheme in which smoothed velocity signals are dynamically amplified via a sigmoid function governed by SSH transitions to generate physically grounded causal treatments. In addition, the model incorporates Maximum Mean Discrepancy (MMD) to balance treated and control covariate distributions in the latent space, along with a causal adjacency-constrained decoder to ensure alignment with established physical structures. Experimental results on both synthetic and real-world Arctic datasets demonstrate that KGCM-VAE achieves superior PEHE compared to state-of-the-art benchmarks. Ablation studies further confirm the effectiveness of the approach, showing that the joint application of MMD and causal adjacency constraints yields a 1.88\% reduction in estimation error.

研究の動機と目的

• 北極海氷動態における相関を超えて因果効果を定量化する必要性を動機付ける。
• 物理制約と因果学習を統合した知識誘導型因果モデリングVAE（KGCM-VAE）を開発する。
• 海洋データの逐次データにおける潜在的構造依存性と反実仮想予測の発見を可能にする。
• 合成データと実データの両方を用いて、頑健でバイアスの少ない時変治療効果推定を実証する。

提案手法

• 滑らかにしたSSHを速度駆動のシグモイド関数で変調する知識誘導治療生成スキームを導入する。
• 物理的関係（静水SSHと氷厚の関係、地衡SSH-速度のリンク）を埋め込み、因果治療を制約する。
• バランスのとれた潜在表現を学習するBi-GRUエンコーダと、物理的因果経路を強制する隣接マスク付き因果デコーダを用いる。
• 潜在空間にMaximum Mean Discrepancy（MMD）を組み込み、治療群と対照群の共変量バランスを促進する。
• 反実仮想推定を可能にする双対潜在結果軌道を用いて学習し、ITE/PEHEを計算する。

Figure 1: The Architecture of the Knowledge-Guided Causal Model Variational Autoencoder (KGCM-VAE) integrates a balanced latent space $\mathbf{z}$ learned by the encoder with a knowledge-guided causal model in the decoder for robust counterfactual prediction and Individual Treatment Effect estimatio

実験結果

リサーチクエスチョン

• RQ1 短期的な海洋駆動因子が北極海氷厚に与える因果効果を時間依存かつ逐次設定でどう定量化できるか？
• RQ2 知識誘導型の物理制約は北極気候ダイナミクスの因果効果の識別性と精度を改善するか？
• RQ3 潜在空間のバランス（MMD）と因果隣接制約は反実仮想予測とPEHEを共同で改善するか？

主な発見

Model	Test RMSE	Test PEHE
KGCM-VAE	0.3225	3.8159
R-CRN	0.2034	3.8567
CF-RNN	0.2280	3.8599
Causal-TARNet	0.2008	3.8920

• KGCM-VAEは外部データに対してベースラインを上回るPEHE（3.8159）を達成。
• MMDと因果隣接制約を組み合わせると最良の因果効果推定が得られ、アブレーション研究でPEHEが3.7939へ改善。
• 治療ラグ全体で、KGCM-VAEはPEHEを0.0480–0.0485の範囲で安定させ、RMSEがラグに依存して変動しても頑健。
• 実世界データの検証ではSSHと速度の因果信号が区別され、SSHが海氷厚の測定可能な変化を駆動する一方、速度のみでは駆動しない。

Figure 2: Real-world spatial analyses of factual and counterfactual outcomes. The panels display the temporal patterns of perturbed Ocean Velocity (Top left) and the corresponding counterfactual prediction of Sea Ice Thickness (Bottom left), alongside perturbed Sea Surface Height (Top right) and the