advances)in)climate)informa3cs)climatechange.cs.umn.edu/docs/ws15_monteleoni.pdf · 2015-08-14 ·...

Advances)in)Climate)Informa3cs))

)Claire)Monteleoni)George)Washington)University)

Vision))))))))))))

)Data)science)can)shed)light)on)climate)change.)

))

This)is)the)vision)behind)climate)informa3cs.)))

2011 ))))))))))First)Interna3onal)Workshop)on)Climate)Informa3cs))) ) ) ) )New)York)Academy)of)Sciences))))))))))))))))))))Climate)Informa3cs)Wiki)launched)2013))))))))))“Climate)Informa3cs”)book)chapter)[M)et)al.)2013]))

) ))))))In)the)first)4)years:)par3cipants)from)over)16)countries,)28)states)))

2015 ))))))))))Please)join)us)as)Climate)Informa3cs)turns)5!))))))))))))) ))))) ) )September)24Z26th)at)NCAR)in)Boulder)CO.))) ) ))))) ) )NEW:)Climate)Informa3cs)Hackathon!)

)))))))))

Climate)Informa3cs)

3)

Climate)Informa3cs:)problems)&)progress)[Banerjee)&)M,)NIPS)2014)Tutorial])

)

1.  Past:)PaleoZclimate)reconstruc3on))! )What)was)the)climate)before)we)had)thermometers?)

2. )Local:)Climate)downscaling)) )What)climate)can)I)expect)in)my)own)backyard?)

3. )Spa3otemporal:)Space)and)3me))!!!!!!!!!How)to)capture)dependencies)over)space)and)3me?)

4.) )Future:)Climate)model)ensembles))! !How)to)reduce)uncertainty)on)future)predic3ons?)

5.) )Tails/impacts:)Extreme)events))) )What)are)extreme)events)and)how)will)climate)change)affect)them?))

) 4)

Climate)Model)Ensembles)

5)

Climate)model:)a)complex))system)of)interac3ng))mathema3cal)models)!  Not)dataZdriven)!  Based)on)scien3fic)))))))first)principles)

•  Meteorology)•  Oceanography)•  Geophysics)•  …)

•  Discre3za3on)into)))))))grid)boxes)•  Scale)resolu3on))))))))differences)

)

Climate)models)(GCMs))

credit:)UCAR/NCAR,)NOAA))6)

Scale)resolu3on)problem)

7)) ) )credit:)Anthes)et)al.)1975,)presented)by)J.)J.)Hack/A.)Gemelman)

Intergovernmental)Panel)on)Climate)Change)•  IPCC:)Intergovernmental)Panel)on)Climate)Change)

–  Nobel)Peace)Prize)2007)(shared)with)Al)Gore).)–  Interdisciplinary)scien3fic)body,)formed)by)UN)in)1988.)–  Fourth)Assessment)Report,)2007,)on)global)climate)change)

450)lead)authors)from)130)countries,)800)contribu3ng)authors,))))))))over)2,500)reviewers.)

–  Finh)Assessment)Report,)September)2013.)Over)830)authors.)

•  Climate)models)contribu3ng)to)IPCC)reports)include:))))))))Bjerknes)Center)for)Climate)Research)(Norway),)Canadian)Centre)for)Climate)Modelling)

and)Analysis,)Centre)Na3onal)de)Recherches)Météorologiques)(France),)Commonwealth)Scien3fic)and)Industrial)Research)Organisa3on)(Australia),)Geophysical)Fluid)Dynamics)Laboratory)(Princeton)University),)Goddard)Ins3tute)for)Space)Studies)(NASA),)Hadley)Centre)for)Climate)Change)(United)Kingdom)Meteorology)Office),)Ins3tute)of)Atmospheric)Physics)(Chinese)Academy)of)Sciences),)Ins3tute)of)Numerical)Mathema3cs)Climate)Model)(Russian)Academy)of)Sciences),)Is3tuto)Nazionale)di)Geofisica)e)Vulcanologia)(Italy),)Max)Planck)Ins3tute)(Germany),)Meteorological)Ins3tute)at)the)University)of)Bonn)(Germany),)Meteorological)Research)Ins3tute)(Japan),)Model)for)Interdisciplinary)Research)on)Climate)(Japan),)Na3onal)Center)for)Atmospheric)Research)(Colorado),)among)others.)

8)

IPCC)findings:)human)influence)on)climate)

IPCC)2013)

Black:)true)observa3ons.))Orange/red:)Climate)model)simula3ons)with)humanZinduced)greenhouse)gasses.)Blue:)Climate)model)simula3ons)without)humanZinduced)greenhouse)gasses.)

Glob

al)Tem

perature)Ano

maly)(°C))

9)

Modeling)future)scenarios)

credit:)IPCC)2013)

Black:)True)observa3ons)(un3l)2006).)Orange/red:)Constant)emissions.)Grey:)Constant)atmospheric)composi3on)(constant)forcing).))Blue:)Zero)emissions)star3ng)2010)(impossible).) 10)

20 40 60 80 100 120 140 160 180

−0.5

0

0.5

1

1.5

2

2.5

3

3.5

4

4.5

Time in years (1900−2098)

Glo

bal m

ean

tem

pera

ture

ano

mal

ies

Thick blue: observedThick red: average over 20 climate model predictionsBlack (vertical) line: separates past from futureOther: climate model predictions

Future)fanZout.)1920 1940 1960 1980 20201900 2000 2040 2060 2080

− Observed− Multi-model average predictionThin lines: climate model predictionsVertical line separates past and future

Future fan-out. 11)

Improving)predic3ons)of)the)IPCC)ensemble)

•  Coupled)Model)Intercomparison)Project)(CMIP)))))))))) )[Meehl)et)al.,)Bull.)AMS,)‘00])•  No)one)model)predicts)best)all)the)3me,)for)all)variables.)•  Average)predic3on)over)all)models)is)bemer)predictor)than)any)

single)model.))[Reichler)&)Kim,)Bull.)AMS)‘08],)[Reifen)&)Toumi,)GRL)’09])•  Bayesian)approaches)in)climate)science)e.g.)[Smith)et)al.)JASA)’08])•  IPCC)held)2010)Expert)Mee3ng)on)how)to)bemer)combine)model)

predic3ons.)

Can)we)do)bemer,)using)Machine)Learning?))))Challenge:)How)should)we)predict)future)climates?))

–  While)taking)into)account)the)mul3Zmodel)ensemble)predic3ons)12)

Ensembles)used)in)climate)science)•  Ensembles)of)opportunity))

–  Different)models)from)different)modeling)groups,)e.g.)the)IPCC)ensemble))

•  Ini3al)condi3on)ensembles)–  Perturb)ini3al)condi3ons)of)a)single)model))–  Significant)changes)possible)(cf.)Bumerfly)Effect))–  “Pure)ensemble”)–)perturb)only)last)few)significant)digits)of)an)ini3al)

condi3on.)Changes)the)weather)but)should)not)change)the)climate.)Used)to)robus3fy)es3mates)of)climate.)

•  Perturbed)physics)ensembles)(PPE)))–  Change)parameter)values)of)a)single)model)–  Can)create)dras3c)changes)in)predic3ons)

))NOTE:)weather)forecas3ng)also)makes)use)of)ensembles)(e.g.)Bayesian)model)averaging).)

13)

Contribu3ons)•  Tracking)Climate)Models)(TCM))[M,)Schmidt,)Saroha,)&)Asplund,)

SAM)2011;)NASA)CIDU)2010]:))Online)learning)with)expert)advice.)

•  NeighborhoodZAugmented)TCM)(NTCM))[McQuade)&)M,)AAAI)2012]:)Extend)TCM)to)model)geospa3al)neighborhood)influence.)

•  MRFZbased)approach)[McQuade)&)M,)submimed].))•  Climate)Predic3on)via)Matrix)Comple3on)[Ghafarianzadeh)&)M,)

LateZBreaking)Paper,)AAAI)2013]:)use))sparse)matrix)comple3on.))

14)

Average)predic3on)

Model)A) Model)B) Model)C) Model)D) Model)E)

15)

Model)A) Model)B) Model)C) Model)D) Model)E)

Adap3ve,)weighted)average)predic3on)

16)

Model)A) Model)B) Model)C) Model)D) Model)E)

Adap3ve,)weighted)average)predic3on)

17)

Model)A) Model)B) Model)C) Model)D) Model)E)

Adap3ve,)weighted)average)predic3on)

18)

Model)A) Model)B) Model)C) Model)D) Model)E)

Adap3ve,)weighted)average)predic3on)

19)

)

))Tradeoff:)Quickly)finding)current)best)predic3ng)model)vs.)being)ready)to)quickly)switch)to)other)models.))

)))Tradeoff)hinges)on)how)onen)the)iden3ty)of)the)best)model)switches.)

Tradeoff:)explore)vs.)exploit)

20)

Online)learning:)nonZsta3onary)data)

LearnZα)Algorithm)[M)&)Jaakkola,)NIPS)2003]:))•  Learns)the)switching)rate:)level)of)nonZsta3onarity:)α.)•  Tracks)a)set)of)metaZexperts,)online)learning)algorithms,)each)with)a)

different)value)of)the)α)parameter.)

pt+1(�) � pt(�)e�L(�,t)

21)

Online)learning:)nonZsta3onary)data)

pt+1(i) ��

j

pt(j)e�L(j,t)p(i|j)

•  [M)&)Jaakkola,)2003]:)In)a)family)of)online)learning)algorithms,)weight)updates,)pt(i),)equivalent)to)Bayesian)updates)of)a)generalized)Hidden)Markov)Model.)–  Hidden)variable:)iden3ty)of)“best)expert.”)–  Transi3on)dynamics,)p(i!|!j),!model)nonZsta3onarity.)

•  [Herbster)&)Warmuth,)1998]:)FixedZShare)algorithm)models)switching)w.p.)α.)

P (i|j;↵) =((1� ↵) i = j↵

n�1 i 6= j22)

))

!" #" $" %" &"" &!" &#" &$" &%""

"'"(

"'&

"'&(

"'!

"'!(

"')

"')(

"'#

"'#(

*+,-.+/.0-123.4&5""!!"5%6

78912-:.;<33

.

.

=-3>.-?@-2>

AB-21C-.@2-:+D>+</.<B-2.!".,<:-;3

E-12/!1;@F1.1;C<2+>F,

− Multi-model average (Benchmark)− Best climate model− Learn-α algorithmVertical line separates past and future

1920 1940 1960 1980 20201900 2000 2040 2060 2080

Pred

ictio

n er

ror

Learning)curves))

[M,)Schmidt,)Saroha,)&)Asplund,)SAM)2011;)NASA)CIDU)2010])

)23)

Incorpora3ng)neighborhood)influence)[McQuade)&)M,)AAAI)2012])

•  Climate)predic3ons)are)made)at)higher)geospa3al)resolu3ons.)•  Run)instances)of)LearnZα)(variant))on)mul3ple)subZregions)that)

par33on)the)globe.)•  Model)neighborhood)influences)among)geospa3al)regions.)

)

24)

Incorpora3ng)neighborhood)influence)

NeighborhoodZaugmented)LearnZα.))NonZhomogenous)HMM)transi3on)dynamics:)

•  S(r)!Z)neighborhood)scheme:)set)of)“neighbors”)of)region)r)•  Pt,s(i))Z!probability)of)expert)(climate)model))i)in)region)s!•  β)Z)regulates)geospa3al)influence!•  Z)Z)normaliza3on)factor))

25)

MRFZbased)approach)

Time t

Time t

Time t-1

Geospa3al)la{ce)

[McQuade)&)M,)submimed])

26)

MRFZbased)approach)

27)

28)

MRFZbased)approach)

Climate)Predic3on)via)Matrix)Comple3on)[Ghafarianzadeh)&)M,)LateZBreaking)Paper,)AAAI)2013])

•  Goal:)combine/improve)the)predic3ons)of)the)mul3Zmodel)ensemble)of)GCMs,)using)sparse)matrix)comple3on.)

•  Like)TCM)approaches:)exploits)past)observa3ons,)and)the)predic3ons)of)the)mul3Zmodel)ensemble)of)GCMs.)

•  Unlike)TCM)approaches:)the)learning)approach)is)batch,)unsupervised.))•  Matrix)comple3on)has)been)widely)used)in)sparse)problems,)e.g.)

)predic3ng)user)movie)ra3ngs)(cf.)Ne|lix).)•  We)apply)[Keshavan,)Montanari)&)Oh,)JMLR)’10])OptSpace)algorithm:)

)minimiza3on)of)nuclear)norm;)uses)spectral)techniques)and)manifold))op3miza3on.)

•  Proof)of)concept)for)using)matrix)comple3on)for)climate)predic3on.)

Climate)Predic3on)via)Matrix)Comple3on)•  Create)a)sparse)(incomplete))matrix)from)climate)model)

)predic3ons)and)observed)temperature)data.)•  Apply)a)matrix)comple3on)algorithm)to)recover)it.))•  Yields)predic3ons)of)unobserved)temperatures.)

Observed)Temperature)

Year)

Climate)Model)Predictons:)

Subset)A)

Climate)Model)Predictons:)

Subset)B)

Valida3on)period:)2005Z2012)

Green:)observa3on,)Red:)mean)predic3on)of)climate)models,)Black:)matrix)comple3on)

31)

Valida3on)period:)2000Z2012)

Green:)observa3on,)Red:)mean)predic3on)of)climate)models,)Black:)matrix)comple3on)

32)

Valida3on)period:)1990Z2012)

Green:)observa3on,)Red:)mean)predic3on)of)climate)models,)Black:)matrix)comple3on)

33)

Valida3on)period:)1980Z2012)

Green:)observa3on,)Red:)mean)predic3on)of)climate)models,)Black:)matrix)comple3on)

34)

Valida3on)period:)1970Z2012)

Green:)observa3on,)Red:)mean)predic3on)of)climate)models,)Black:)matrix)comple3on)

35)

Outlook)•  These)results)suggest)some)low)intrinsic)dimensionality.))•  We)induced)some)sparsity)in)the)input)matrix)

–  Need)not)ensure)low)intrinsic)dimensionality))•  [Jia,)DelSole)&)Tippem,)J.)Climate)‘13])also)suggest)low)intrinsic)

dimensionality:)–  Only)a)small)number)(~2))climatological)“predic3ve)components”)[DelSole)&)

Tippem,)Rev.)Geophys.)‘07])determine)the)predic3ve)“skill”)of)climate)models)(measured)w.r.t.)observa3ons).)

•  General)warming)trend,)and)El)NiñoZSouthern)Oscilla3on)

•  GCM)ensemble)(or)subsets))as)lower)dimensional)subspace)–  Can)serve)as)a)proxy)for)the)high)dimensional,)complicated)(dependencies,)

redundancies))space)of)climatological)components)in)each)GCM.))

•  Suggests)future)work)on)tracking)a)small)subset)of)the)ensemble.)–  Subset)can)change)over)3me)and)space) 36)

Ongoing/future)work ))•  Tracking)a)small)subset)of)the)ensemble,)varying)over)3me)and)

space)

•  Mul3Ztask)approach)to)combining)mul3ple)predic3on)leadZ3mes)

•  Applica3ons)to)seasonal)and)subZseasonal)predic3on)

37)

Climate)Extremes)

38)

)①  Threshold)in)single)variable))[IPCC)special)report)2012,)p.4]))② Mul3ple)degrees)of)severity)

③  Related)to)mul3ple)variables)(complex)extreme)events))

④  Accumula3on)of)nonZextremes)[IPCC)2012,)p.6])

⑤  Subject)to)local)climate)characteris3cs)[IPCC)2012,)p.7])

) 39)

How)to)define)extremes?)

Topic)modeling)approach)

Geophysical)Models) Sta3s3cal)Models)

)Extreme)values)

)

Extreme)and)NonZextreme)values)

[Tang)&)M,)Climate)Informa3cs)2014])

Single)variable) Mul3ple)variables)

Model)

Data)type)

Variables)

40)Events)Mul3ple)event)types)Single)event)type)

Document))(bag)of)words))

Topics)

Words)

Air)temperature)high)

Wind)normal)Precipitable)water)extremely)high)

Humidity)extremely)low)

Humidity)extremely)high)

Soil)moisture)content)extremely)low)

Heat)wave)

High)precip.)

…)

Year)1971)

GeoZloca3ons)

Climate(topics(

Climate)Descriptors)

)credit:)D.)Blei)

Climate)topic)modeling)

41)

Climate)topic)modeling)using)LDA)

•  L:)number)of)spa3al)regions!•  N:!number)of)observa3ons)in)region)•  tn:)climate)topic)•  In:)climate)descriptor:)discre3zed)observed)climate)variable)•  Dirichlet)prior)on)θ) 42)

N

43)

Qualita3ve)evalua3on:)Sahel)drought))

Ongoing/future)work)on)extreme)events)

•  What)are)the)effects)of)climate)change)on)extreme)events,)especially)regional?)

•  How)will)distribu3ons)of)relevant)variables)change)with)climate)change?)

•  Detec3ng/predic3ng)climate)extremes,)anomaly)detec3on)

•  RealZ3me)learning)from)data)streams,)tracking)extreme)events))

44)

Frank Alexander, Los Alamos National LaboratoryEva Asplund, Barnard College, Columbia UniversityArindam Banerjee, University of MinnesotaM. Benno Blumenthal, International Research Institute for Climate and Society, Columbia U. Tim DelSole, George Mason University & Center for Ocean-Land-Atmosphere StudiesAuroop R. Ganguly, Civil and Environmental Engineering, Northeastern UniversityMahsa Ghafarianzadeh, George Washington UniversityScott McQuade, George Washington UniversityAlex Niculescu-Mizil, NEC Laboratories AmericaShailesh Saroha, Amazon.comGavin A. Schmidt, NASA GISS & Columbia University

Jason E. Smerdon, Lamont-Doherty Earth Observatory, Columbia UniversityKarsten Steinhaeuser, University of MinnesotaCheng Tang, George Washington UniversityMarco Tedesco, NSF & CUNY City College and Graduate Center Michael Tippett, The International Research Institute for Climate and Society, Columbia U.

Thank you! And thanks to my collaborators:

Resources)•  5th)Interna3onal)Workshop)on)Climate)Informa3cs,)2015))))))www2.cisl.ucar.edu/events/ci2015)•  Climate)Informa3cs:)www.climateinformatics.org

–  Links)to)resources,)Climate)Informa3cs)workshops,)online)community)

•  Climate)Informa3cs)Wiki)(with)data)sets))sites.google.com/site/1stclimateinformatics

)•  IPCC)AR5)Report:)www.ipcc.ch/report/ar5/

•  WCRP)Grand)Challenges:)www.wcrp-climate.org/grand-challenges

46)

References:)Introduc3on)•  IPCC,)2012:)Managing)the)Risks)of)Extreme)Events)and)Disasters)to)Advance)

Climate)Change)Adapta3on.)A)Special)Report)of)Working)Groups)I)and)II)of)the)Intergovernmental)Panel)on)Climate)Change)[Field,)C.B.,)V.)Barros,)T.F.)Stocker,)D.)Qin,)D.J.)Dokken,)K.L.)Ebi,)M.D.)Mastrandrea,)K.J.)Mach,)G.ZK.)Plamner,)S.K.)Allen,)M.)Tignor,)and)P.M.)Midgley)(eds.)].)Cambridge)University)Press,)Cambridge,)UK,)and)New)York,)NY,)USA,)582)pp.)

•  IPCC,)2013:!Climate!Change!2013:!The!Physical!Science!Basis.!ContribuKon!of!Working!Group!I!to!the!FiPh!Assessment!Report!of!the!Intergovernmental!Panel!on!Climate!Change)[Stocker,)T.F.,)D.)Qin,)G.ZK.)Plamner,)M.)Tignor,)S.K.)Allen,)J.)Boschung,)A.)Nauels,)Y.)Xia,)V.)Bex)and)P.M.)Midgley)(eds.)].)Cambridge)University)Press,)Cambridge,)United)Kingdom)and)New)York,)NY,)USA,)1535)pp.)

•  C.)Monteleoni,)G.A.)Schmidt,)F.)Alexander,)A.)NiculescuZMizil,)K.)Steinhaeuser,)M.)Tippem,)A.)Banerjee,)M.B.)Blumenthal,)A.R.)Ganguly,)J.E.)Smerdon,)and)M.)Tedesco,)“Climate)Informa3cs,”)in)Computa3onal)Intelligent)Data)Analysis)for)Sustainable)Development;)Data)Mining)and)Knowledge)Discovery)Series.)Yu,)T.,)Chawla,)N.,)and)Simoff,)S.)(Eds.),)CRC)Press,)Taylor)&)Francis)Group.)Chapter)4,)pp.)81–126,)2013.))

•  IPCC)Finh)Assessment)Report:)www.ipcc.ch/report/ar5/)•  World)Climate)Research)Program)Grand)Challenges:)))))))))www.wcrpZclimate.org/grandZchallenges)

95)

References:)Climate)Model)Ensembles)•  G.)A.)Meehl,)G.)J.)Boer,)C.)Covey,)M.)La3f,)and)R.)J.)Stouffer,)(2000).)The)

Coupled)Model)Intercomparison)Project)(CMIP).)Bull.)Amer.)Meteor.)Soc.,)81,)313Z318.)

•  T.)Reichler,)and)J.)Kim,)(2008).)How)well)do)coupled)models)simulate)today’s)climate?)Bull.)Amer.)Meteor.)Soc.)89:303–)311.)

•  C.)Reifen,)and)R.)Toumi,)(2009).)Climate)projec3ons:)Past)performance)no)guarantee)of)future)skill?)Geophys.)Res.)Lem.)36.)

•  R.)Smith,)C.)Tebaldi,)D.)Nychka,)and)L.)O.)Mearns).)Bayesian)Modeling)of)Uncertainty)in)Ensembles)of)Climate)Models.)Journal)of)the)American)Sta3s3cal)Associa3on.)01(2009);)104(485):97Z116.))

•  R.)Knu{,)R.)Furrer,)C.)Tebaldi,)J.)Cermak,)and)G.)A.)Meehl,)(2010).)Challenges)in)Combining)Projec3ons)from)Mul3ple)Climate)Models.)J.)Climate,)23,)2739–2758.)

•  C.)Monteleoni,)G.A.)Schmidt,)S.)Saroha,)and)E.)Asplund,)(2011).)Tracking)climate)models.)Sta3s3cal)Analysis)and)Data)Mining:)Special)Issue)on)Best)of)CIDU)2010.)4(4):72–392.)

•  S.)McQuade)and)C.)Monteleoni,))“Global)Climate)Model)Tracking)using)Geospa3al)Neighborhoods,”)in)Proceedings)of)the)TwentyZSixth)Conference)on)Ar3ficial)Intelligence)(AAAI),)Computa3onal)Sustainability)and)AI)Special)Track,)(2012):335–341.)

97)

References:)Climate)Model)Ensembles)•  K.)Subbian)and)A.)Banerjee)(2013).)Climate)mul3Zmodel)regression)using)

spa3al)smoothing.)In)SDM,)2013.)•  M.)Ghafarianzadeh)and)C.)Monteleoni,)(2013).))Climate)Predic3on)via)

Matrix)Comple3on.)in!Proceedings!of!the!TwentyUSeventh!Conference!on!ArKficial!Intelligence!(AAAI),!LateUBreaking!Papers!Track,!2013.!

•  R.)Keshavan,)A.)Montanari,)and)S.)Oh)(2009).)Matrix)Comple3on)from)Noisy)Entries.)Advances)in)Neural)Informa3on)Processing)Systems)22.)pages)952Z960.)

•  C.)Monteleoni,)and)T.)Jaakkola,)(2003).)Online)learning)of)nonZsta3onary)sequences.)In)Advances)in)Neural)Informa3on)Processing)Systems)16.)pages)1093–1100.)

98)

References:)Extremes)•  W.C.)Palmer,)Meteorological)Droughts.)(1965).)Paper)number)45:)1Z58,)Weather)Bureau,)US)

Department)of)Commerce.)•  A.)Arnold,)Y.)Liu,)N.)Abe.)Temporal)Causal)Modeling)with)Graphical)Granger)Methods.)In)

proceedings)of)the)Thirteenth)ACM)SIGKDD)Interna3onal)Conference)on)Knowledge)Discovery)and)Data)Mining)(SIGKDDZ07),)2007.))

•  A.)Lozano,)H.)Li,)A.)NiculescuZMizil,)Y.)Liu,)C.)Perlich,)J.)Hosking,)N.)Abe.)Spa3alZtemporal)causal)modeling)for)climate)change)amribu3on.)Interna3onal)Conference)on)Knowledge)Discovery)and)Data)Mining)(KDD')09),)2009. ))

•  X.)Chen,)Y.)Liu,)and)J.)G.)Carbonell.)Learning)spa3alZtemporal)varying)graphs)with)applica3ons)to)climate)data)analysis.)In)AAAI,)2010.)

•  Y.)Liu,)A.)NiculescuZMizil,)A.)Lazano,)and)Y.)Lu.)Learning)temporal)graphs)for)rela3onal)3meZseries)analysis.)In)ICML,)2010.)

•  Q.)Fu,)A.)Banerjee,)S.)Liess,)and)P.)K.)Snyder.)Drought)Detec3on)of)the)Last)Century:)An)MRFZbased)Approach.)In)SDM,)2012.)

•  Y.)Liu,)M.)T.)Bahadori,)and)H.)Li.)SparseZGEV:)Sparse)latent)space)model)for)mul3variate)extreme)value)3me)series)modeling.)In)ICML,)2012.)

•  Q.)Fu,)H.)Wang,)and)A.)Banerjee.)BetheZADMM)for)Tree)Decomposi3on)based)Parallel)MAP)inference.)Conference)on)Uncertainty)in)Ar3ficial)Intelligence)(UAI),)2013)

•  C.)Tang)and)C.)Monteleoni,))Detec3ng)Extreme)Events)from)Climate)TimeZSeries)via)Topic)Modeling.)Machine)Learning)and)Data)Mining)Approaches)to)Climate)Science:)Proceedings)of)the)The)Fourth)Interna3onal)Workshop)on)Climate)Informa3cs,)2014)(to)appear).)

•  H.)Wang)and)A.)Banerjee.)Bregman)Alterna3ng)Direc3on)Method)of)Mul3pliers.)Advances)in)Neural)Informa3on)Processing)Systems)(NIPS),)2014)

99)