論文の概要: Feature Importance in a Deep Learning Climate Emulator
- arxiv url: http://arxiv.org/abs/2108.13203v1
- Date: Fri, 27 Aug 2021 13:36:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-31 14:29:29.177994
- Title: Feature Importance in a Deep Learning Climate Emulator
- Title（参考訳）: deep learning climate emulatorにおける特徴量の重要性
- Authors: Wei Xu, Xihaier Luo, Yihui Ren, Ji Hwan Park, Shinjae Yoo,
Balasubramanya T. Nadiga
- Abstract要約: 本研究では,気候の深層学習(DL)エミュレータを「理解」するための特徴的重要手法として,ポストホックな局所的説明手法のクラスを用いた研究を行う。
本研究では,エンコーダネットデコーダアーキテクチャを用いて,海面温度(SST)の経年変化を1,6,9ヶ月のリードタイムで予測するマルチインプット・アウトプット変動エミュレータについて検討する。
- 参考スコア（独自算出の注目度）: 10.48891954541828
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a study using a class of post-hoc local explanation methods i.e.,
feature importance methods for "understanding" a deep learning (DL) emulator of
climate. Specifically, we consider a multiple-input-single-output emulator that
uses a DenseNet encoder-decoder architecture and is trained to predict
interannual variations of sea surface temperature (SST) at 1, 6, and 9 month
lead times using the preceding 36 months of (appropriately filtered) SST data.
First, feature importance methods are employed for individual predictions to
spatio-temporally identify input features that are important for model
prediction at chosen geographical regions and chosen prediction lead times. In
a second step, we also examine the behavior of feature importance in a
generalized sense by considering an aggregation of the importance heatmaps over
training samples. We find that: 1) the climate emulator's prediction at any
geographical location depends dominantly on a small neighborhood around it; 2)
the longer the prediction lead time, the further back the "importance" extends;
and 3) to leading order, the temporal decay of "importance" is independent of
geographical location. An ablation experiment is adopted to verify the
findings. From the perspective of climate dynamics, these findings suggest a
dominant role for local processes and a negligible role for remote
teleconnections at the spatial and temporal scales we consider. From the
perspective of network architecture, the spatio-temporal relations between the
inputs and outputs we find suggest potential model refinements. We discuss
further extensions of our methods, some of which we are considering in ongoing
work.
- Abstract（参考訳）: 本稿では,気候の深層学習(dl)エミュレータを"理解"するための重要度評価手法として,ポストホックな局所的説明手法のクラスを用いる。
具体的には,DenseNetエンコーダ・デコーダアーキテクチャを用いたマルチインプット単一出力エミュレータについて検討し,過去36ヶ月のSSTデータを用いて,海面温度(SST)の経年変化を1,6,9ヶ月のリードタイムで予測する訓練を行った。
まず,選択した地理的領域におけるモデル予測と選択した予測リード時間において重要な入力特徴を時空間的に同定する。
第2のステップでは、トレーニングサンプルに対する重要熱マップの集約を考慮し、一般化された意味での特徴的重要性の挙動についても検討する。
1)任意の地理的な場所における気候エミュレータの予測は、その周辺の小さな地区に支配的に依存する。2) 予測のリードタイムが長ければ長いほど、"importance"はより長くなり、3) 先行する順に、"importance" の時間的減衰は地理的な場所とは独立している。
結果を検証するためにアブレーション実験が採用されている。
気候力学の観点からは,これらの知見は局地的プロセスにおいて支配的な役割を担い,空間的・時間的スケールにおいて遠隔通信において無視可能な役割を担っていると考えられる。
ネットワークアーキテクチャの観点からは、入力と出力の時空間的関係は潜在的なモデル改善を示唆している。
我々は、現在進行中の作業で検討している手法のさらなる拡張について論じる。
関連論文リスト
- Causal Representation Learning in Temporal Data via Single-Parent Decoding [66.34294989334728]
科学的研究はしばしば、システム内の高レベル変数の根底にある因果構造を理解しようとする。
科学者は通常、地理的に分布した温度測定などの低レベルの測定を収集する。
そこで本研究では,単一親の復号化による因果発見法を提案し,その上で下位の潜伏者と因果グラフを同時に学習する。
論文 参考訳（メタデータ） (2024-10-09T15:57:50Z) - Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。
次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。
気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
論文 参考訳（メタデータ） (2024-08-08T06:47:21Z) - Predicting unobserved climate time series data at distant areas via spatial correlation using reservoir computing [5.008022566317949]
本研究は, 気象要素, 特に地表温度と圧力を, データ観測点から離れた目標地点で予測することに焦点を当てた。
その結果,予測精度は観測地点と目標地点の距離によって低下することがわかった。
論文 参考訳（メタデータ） (2024-06-05T08:39:10Z) - Spatial-temporal Forecasting for Regions without Observations [13.805203053973772]
本研究では,歴史的観察を伴わない関心領域の時空間予測について検討した。
タスクに対してSTSMというモデルを提案する。
私たちの重要な洞察は、関心のある領域に類似している場所から学ぶことです。
論文 参考訳（メタデータ） (2024-01-19T06:26:05Z) - Parallel Reasoning Network for Human-Object Interaction Detection [53.422076419484945]
並列推論ネットワーク(PR-Net)というトランスフォーマーに基づく新しい手法を提案する。
PR-Netは、インスタンスレベルのローカライゼーションと関係レベルの理解のための2つの独立した予測器を構築する。
我々のPR-NetはHICO-DETとV-COCOベンチマークで競合する結果を得た。
論文 参考訳（メタデータ） (2023-01-09T17:00:34Z) - TempSAL -- Uncovering Temporal Information for Deep Saliency Prediction [64.63645677568384]
本稿では,逐次時間間隔でサリエンシマップを出力する新たなサリエンシ予測モデルを提案する。
提案手法は,学習した時間マップを組み合わせることで,サリエンシ予測を局所的に調整する。
私たちのコードはGitHubで公開されます。
論文 参考訳（メタデータ） (2023-01-05T22:10:16Z) - Joint Forecasting of Panoptic Segmentations with Difference Attention [72.03470153917189]
シーン内の全てのオブジェクトを共同で予測する新しいパノプティックセグメンテーション予測モデルについて検討する。
提案したモデルをCityscapesとAIODriveデータセット上で評価する。
論文 参考訳（メタデータ） (2022-04-14T17:59:32Z) - Building Autocorrelation-Aware Representations for Fine-Scale
Spatiotemporal Prediction [1.2862507359003323]
本稿では,空間統計理論をニューラルネットワークに組み込んだ新しいディープラーニングアーキテクチャを提案する。
DeepLATTEには、局所的自己相関パターンとグローバルな自己相関傾向の両方を強制する、自己相関誘導半教師付き学習戦略が含まれている。
我々は,DeepLATTEの公開データを用いた実演を行い,健康上の重要なトピックとして,高度に適合した複雑な物理環境下での空気質予測を行った。
論文 参考訳（メタデータ） (2021-12-10T03:21:19Z) - Latent State Inference in a Spatiotemporal Generative Model [3.7525506486107267]
我々は、波動伝播力学を含む温度と気象の過程に注目し、普遍的な原因は空間と時間にわたって適用されると仮定する。
最近導入されたDIsed Stemporal graph Artificial Neural Architecture (DISTANA)を使用して、そのようなプロセスを学ぶ。
DISTANAは、アクティブチューニングと呼ばれる振り返り状態推論原則と組み合わせることで、位置参照型隠れ因果関係を確実に導出できることを示す。
論文 参考訳（メタデータ） (2020-09-21T12:59:40Z) - Evaluation of Local Explanation Methods for Multivariate Time Series
Forecasting [0.21094707683348418]
局所的解釈可能性は、モデルが特定の予測を行う理由を決定する上で重要である。
近年、AIの解釈可能性に焦点が当てられているが、時系列予測のための局所的な解釈可能性手法の研究は不足している。
論文 参考訳（メタデータ） (2020-09-18T21:15:28Z) - Value-driven Hindsight Modelling [68.658900923595]
値推定は強化学習(RL)パラダイムの重要な構成要素である。
モデル学習は、観測系列に存在する豊富な遷移構造を利用することができるが、このアプローチは通常、報酬関数に敏感ではない。
この2つの極点の間に位置するRLにおける表現学習のアプローチを開発する。
これにより、タスクに直接関連し、値関数の学習を加速できる、抽出可能な予測ターゲットが提供される。
論文 参考訳（メタデータ） (2020-02-19T18:10:20Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。