无需控制实验，反事实预测误差直降31.8%！
Counterfactual Predictions in Scientific Emulators Without Controlled Experiments
📖 AI 总结
本文提出 ReRoute 框架，旨在解决科学仿真器在缺乏受控实验数据时难以进行反事实预测的问题。许多科学问题涉及“若条件或干预不同会怎样”的假设性推理，模型虽能在观测数据上表现良好，却常因输入变量间的相关性而在反事实查询中失效。传统方法依赖额外受控模拟数据来解耦变量，但成本高昂且受限于模拟器假设。ReRoute 通过将预训练主干网络的查询输入固定为参考值，再经由已知机制路径重新引入其变化，并在原始事实数据上微调，从而在无需受控干预数据的情况下实现目标性反事实预测。作者提供了明确结构假设下的因果识别结果，并用 Lean 对核心论证进行机器验证。在平流扩散系统中，ReRoute 实现了高精度反事实预测；在先进气候仿真任务中，面对严重 CO₂ 分布偏移，其将总体气候误差降低 18.2% 至 31.8%，同时保持标准条件下性能，成本远低于重新训练。在基于 ERA5 再分析数据训练的仿真器上，ReRoute 在固定 CO₂ 反事实下更好地保留了观测边界条件所隐含的地表升温信号。
🔑 关键词速览
| ReRoute | 一种用于科学反事实预测的框架，通过固定查询输入并沿已知机制路径重新引入变化，无需受控干预数据即可适配预训练模型。 |
| Counterfactual Predictions | 对未观测到的“如果……会怎样”情景进行预测，即当条件、干预或历史不同时系统会如何响应。 |
| Scientific Emulators | 用于模拟复杂科学系统（如气候）的机器学习模型，通常作为高成本物理模拟器的快速替代品。 |
| Causal Identification | 在明确的结构假设下，证明所提出的构造能够识别因果效应，即反事实预测具有因果解释。 |
| ERA5 Reanalysis | 欧洲中期天气预报中心提供的全球历史气象再分析数据集，常用于训练气候模拟器。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅