論文の概要: Using Explainability to Inform Statistical Downscaling Based on Deep
Learning Beyond Standard Validation Approaches
- arxiv url: http://arxiv.org/abs/2302.01771v1
- Date: Fri, 3 Feb 2023 14:29:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-06 15:59:49.596725
- Title: Using Explainability to Inform Statistical Downscaling Based on Deep
Learning Beyond Standard Validation Approaches
- Title(参考訳): 標準検証以上の深層学習に基づく統計的ダウンスケーリングをインフォームする説明可能性の利用
- Authors: Jose Gonz\'alez-Abad, Jorge Ba\~no-Medina, Jos\'e Manuel Guti\'errez
- Abstract要約: 深層学習モデルの内部動作の解明にXAI技術をどのように利用できるかを示す。
これらの結果は,XAI手法を統計的ダウンスケーリング評価フレームワークに組み込むことの有用性を示している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning (DL) has emerged as a promising tool to downscale climate
projections at regional-to-local scales from large-scale atmospheric fields
following the perfect-prognosis (PP) approach. Given their complexity, it is
crucial to properly evaluate these methods, especially when applied to changing
climatic conditions where the ability to extrapolate/generalise is key. In this
work, we intercompare several DL models extracted from the literature for the
same challenging use-case (downscaling temperature in the CORDEX North America
domain) and expand standard evaluation methods building on eXplainable
artifical intelligence (XAI) techniques. We show how these techniques can be
used to unravel the internal behaviour of these models, providing new
evaluation dimensions and aiding in their diagnostic and design. These results
show the usefulness of incorporating XAI techniques into statistical
downscaling evaluation frameworks, especially when working with large regions
and/or under climate change conditions.
- Abstract(参考訳): 深層学習(DL)は、完全予後(PP)アプローチに従って、大規模大気圏から地域規模から地域スケールまでの気候予測をダウンスケールするための有望なツールとして登場した。
これらの複雑さから、特に外挿・一般化能力が鍵となる気候条件の変化に適用する場合、これらの手法を適切に評価することが重要である。
本研究では,この論文から抽出した複数のDLモデル(CORDEX North Americaドメインのダウンスケーリング温度)を相互比較し,eXplainable Artifical Intelligence(XAI)技術に基づく標準評価手法を拡張した。
これらの手法をモデルの内部動作の解明に活用し,新たな評価次元を提供し,その診断と設計を支援する方法を示す。
これらの結果は,特に大規模地域や気候変動条件下での作業において,XAI手法を統計的ダウンスケーリング評価フレームワークに組み込むことの有用性を示している。
関連論文リスト
- Generative Adversarial Models for Extreme Downscaling of Climate
Datasets [0.0]
気候データセットを極端に下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方へ下方
この手法は、既存の手法では無視されがちなダウンスケーリングプロセスに固有の不確実性を明確に考慮する。
非常に高いスケーリング要素を持つタスクのスケールダウンにおけるフレームワークのパフォーマンスを実演する。
論文 参考訳(メタデータ) (2024-02-21T18:25:04Z) - QualEval: Qualitative Evaluation for Model Improvement [86.29905469151566]
モデル改善のための手段として,自動定性評価による定量的スカラー指標を付加するQualEvalを提案する。
QualEvalは強力なLCM推論器と新しいフレキシブルリニアプログラミングソルバを使用して、人間の読みやすい洞察を生成する。
例えば、その洞察を活用することで、Llama 2モデルの絶対性能が最大15%向上することを示す。
論文 参考訳(メタデータ) (2023-11-06T00:21:44Z) - Graph-based Neural Weather Prediction for Limited Area Modeling [12.576113481317527]
グラフベースのNeurWPアプローチを限定領域設定に適用し,マルチスケール階層モデル拡張を提案する。
本手法は北欧地域の局所モデルを用いた実験により検証された。
論文 参考訳(メタデータ) (2023-09-29T16:20:34Z) - An Experimental Investigation into the Evaluation of Explainability
Methods [60.54170260771932]
この研究は、9つの最先端XAI法と3つのダミー法(例えば、ランダム・サリエンシ・マップ)に適用された14の異なるメトリクスを比較した。
実験の結果、これらの指標のどれが高い相関関係を示し、潜在的な冗長性を示している。
論文 参考訳(メタデータ) (2023-05-25T08:07:07Z) - Climate Intervention Analysis using AI Model Guided by Statistical
Physics Principles [6.824166358727082]
変動散逸理論(FDT)として知られる統計物理学の原理を応用した新しい解法を提案する。
利用することで,地球系モデルによって生成された大規模なデータセットに符号化された情報を抽出することができる。
我々のモデルであるAiBEDOは、地球および地域表面の気候に対する放射摂動の複雑なマルチタイム効果を捉えることができる。
論文 参考訳(メタデータ) (2023-02-07T05:09:10Z) - ClimaX: A foundation model for weather and climate [51.208269971019504]
ClimaXは気象と気候科学のディープラーニングモデルである。
気候データセットの自己教師型学習目標で事前トレーニングすることができる。
気候や気候の様々な問題に対処するために、微調整が可能である。
論文 参考訳(メタデータ) (2023-01-24T23:19:01Z) - Logic Constraints to Feature Importances [17.234442722611803]
AIモデルの"ブラックボックス"の性質は、診断技術や自律的ガイドなど、高度な分野における信頼性の高い応用の限界であることが多い。
近年の研究では、適切な解釈可能性のレベルが、モデル信頼性というより一般的な概念を強制できることが示されている。
本論文の基本的な考え方は,特定のタスクにおける特徴の重要性に関する人間の事前知識を利用して,モデルの適合のフェーズを整合的に支援することである。
論文 参考訳(メタデータ) (2021-10-13T09:28:38Z) - Scalable Marginal Likelihood Estimation for Model Selection in Deep
Learning [78.83598532168256]
階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。
本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
論文 参考訳(メタデータ) (2021-04-11T09:50:24Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳(メタデータ) (2021-02-12T12:23:13Z) - Convolutional conditional neural processes for local climate downscaling [31.887343372542805]
畳み込み条件付きニューラルプロセス(convCNPs)による温度と降水量の多地点統計的ダウンスケーリングに関する新しいモデルが提示された。
コンブCNPモデルでは, 温度と降水量の両方において, 既存のダウンスケーリング技術よりも優れていた。
極端な降水現象の表象では大きな改善が見られる。
論文 参考訳(メタデータ) (2021-01-20T03:45:21Z) - Interpretable Off-Policy Evaluation in Reinforcement Learning by
Highlighting Influential Transitions [48.91284724066349]
強化学習におけるオフ政治評価は、医療や教育などの領域における将来の成果を改善するために観察データを使用する機会を提供する。
信頼区間のような従来の尺度は、ノイズ、限られたデータ、不確実性のために不十分である可能性がある。
我々は,人間専門家が政策評価評価評価の妥当性を分析できるように,ハイブリッドAIシステムとして機能する手法を開発した。
論文 参考訳(メタデータ) (2020-02-10T00:26:43Z)
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。