論文の概要: Explaining Full-disk Deep Learning Model for Solar Flare Prediction
using Attribution Methods
- arxiv url: http://arxiv.org/abs/2307.15878v1
- Date: Sat, 29 Jul 2023 03:18:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-01 18:53:40.727084
- Title: Explaining Full-disk Deep Learning Model for Solar Flare Prediction
using Attribution Methods
- Title(参考訳): 属性法による太陽フレア予測のための全ディスク深層学習モデル
- Authors: Chetraj Pandey, Rafal A. Angryk and Berkay Aydin
- Abstract要約: 本研究では,太陽フレア予測モデルを提案する。
実際のスキル統計(TSS)とハイドケスキルスコア(HSS)を用いて、モデル全体の性能を評価する。
我々の分析では、太陽フレアのフルディスク予測が活動領域(AR)の特徴と一致していることが判明した。
- 参考スコア(独自算出の注目度): 0.6882042556551611
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper contributes to the growing body of research on deep learning
methods for solar flare prediction, primarily focusing on highly overlooked
near-limb flares and utilizing the attribution methods to provide a post hoc
qualitative explanation of the model's predictions. We present a solar flare
prediction model, which is trained using hourly full-disk line-of-sight
magnetogram images and employs a binary prediction mode to forecast
$\geq$M-class flares that may occur within the following 24-hour period. To
address the class imbalance, we employ a fusion of data augmentation and class
weighting techniques; and evaluate the overall performance of our model using
the true skill statistic (TSS) and Heidke skill score (HSS). Moreover, we
applied three attribution methods, namely Guided Gradient-weighted Class
Activation Mapping, Integrated Gradients, and Deep Shapley Additive
Explanations, to interpret and cross-validate our model's predictions with the
explanations. Our analysis revealed that full-disk prediction of solar flares
aligns with characteristics related to active regions (ARs). In particular, the
key findings of this study are: (1) our deep learning models achieved an
average TSS=0.51 and HSS=0.35, and the results further demonstrate a competent
capability to predict near-limb solar flares and (2) the qualitative analysis
of the model explanation indicates that our model identifies and uses features
associated with ARs in central and near-limb locations from full-disk
magnetograms to make corresponding predictions. In other words, our models
learn the shape and texture-based characteristics of flaring ARs even at
near-limb areas, which is a novel and critical capability with significant
implications for operational forecasting.
- Abstract(参考訳): 本論文は,太陽フレア予測のための深層学習手法の研究の進展に寄与し,特に見過ごされやすい近辺のフレアに着目し,帰属法を用いてモデル予測のポストホックな定性的説明を提供する。
太陽フレア予測モデルを提案する。このモデルでは、24時間以内に発生する可能性のある2値の予測モードを用いて、1時間ごとのフルディスク線磁図画像を用いてトレーニングを行う。
クラス不均衡に対処するために,データ拡張法とクラス重み付け法を融合し,true skill statistic (tss) とheidke skill score (hss) を用いてモデル全体の性能を評価する。
さらに,3つの帰属法,すなわち誘導勾配重み付けクラス活性化マッピング,統合勾配,深いシャプリー付加説明を適用し,モデルの予測を説明と相互評価した。
分析の結果,太陽フレアのフルディスク予測は活動領域(AR)の特徴と一致していることがわかった。
特に,本研究の主な成果は,(1)深層学習モデルが平均的TSS=0.51とSS=0.35を達成し,(2)太陽フレア付近の予測能力がさらに向上し,(2)モデル説明の質的解析により,全円板磁気図から中央および近傍のARに関連する特徴を特定し,それに応じた予測を行うことを示した。
言い換えれば、我々のモデルは、近山地帯でも火花ARの形状とテクスチャに基づく特徴を学習し、これは、運用予測に重要な意味を持つ、新しくて重要な能力である。
関連論文リスト
- Geometric Prior Guided Feature Representation Learning for Long-Tailed
Classification [49.90107582624604]
そこで,本論文では,よく表現されたヘッドクラスの特徴分布の幾何学的情報を活用し,モデルにテールクラスの基盤となる分布を学習させる手法を提案する。
パータード機能は、可能な限りテールクラスの基盤となる分布をカバーし、テスト領域におけるモデルの一般化性能を向上させることを目的としている。
論文 参考訳(メタデータ) (2024-01-21T09:16:29Z) - Unveiling the Potential of Deep Learning Models for Solar Flare
Prediction in Near-Limb Regions [1.2699007098398802]
本研究の目的は、24時間予測窓を用いて、$geq$M級太陽フレアの予測におけるディープラーニングモデルの性能を評価することである。
我々は、転写学習を用いて、AlexNet、VGG16、ResNet34の3つのよく知られたディープラーニングアーキテクチャを訓練した。
本研究は,全円板磁気図から複雑な空間パターンを識別できることを示す。
論文 参考訳(メタデータ) (2023-09-25T19:30:02Z) - Towards Interpretable Solar Flare Prediction with Attention-based Deep
Neural Networks [1.1624569521079424]
太陽フレア予測は宇宙天気予報の中心的な問題である。
我々は、フルディスクのバイナリフレア予測を行うための注意に基づくディープラーニングモデルを開発した。
本モデルでは、フルディスク磁気画像から、アクティブ領域に対応する顕著な特徴を学習することができる。
論文 参考訳(メタデータ) (2023-09-08T19:21:10Z) - Exploring Deep Learning for Full-disk Solar Flare Prediction with
Empirical Insights from Guided Grad-CAM Explanations [4.085931783551287]
本研究は, 太陽フレアの予測を行うために, フルディスク深層学習モデルを提案することにより, 太陽フレア予測研究を進めた。
分析の結果,フルディスクの太陽フレア予測は活動領域特性と一致していることが明らかとなった。
論文 参考訳(メタデータ) (2023-08-30T02:24:09Z) - Explainable Deep Learning-based Solar Flare Prediction with post hoc
Attention for Operational Forecasting [0.6299766708197884]
本稿では,深層学習に基づくフルディスク太陽フレア予測モデルのポストホック解析について述べる。
我々は24時間以内のフレア発生を予測するために、1時間ごとのフルディスク線磁図画像と2値予測モードを選択した。
分析の結果,太陽フレアのフルディスク予測は,活動領域の特徴と一致していることがわかった。
論文 参考訳(メタデータ) (2023-08-04T19:33:25Z) - TempSAL -- Uncovering Temporal Information for Deep Saliency Prediction [56.22339016797785]
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) - Spatial machine-learning model diagnostics: a model-agnostic
distance-based approach [91.62936410696409]
本研究は,空間予測誤差プロファイル (SPEP) と空間変数重要度プロファイル (SVIP) を,新しいモデルに依存しない評価・解釈ツールとして提案する。
統計学的手法、線形モデル、ランダムフォレスト、ハイブリッドアルゴリズムのSPEPとSVIPは、顕著な差異と関連する類似性を示している。
この新しい診断ツールは空間データ科学のツールキットを充実させ、MLモデルの解釈、選択、設計を改善する可能性がある。
論文 参考訳(メタデータ) (2021-11-13T01:50:36Z) - Towards Open-World Feature Extrapolation: An Inductive Graph Learning
Approach [80.8446673089281]
グラフ表現と学習を伴う新しい学習パラダイムを提案する。
本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
論文 参考訳(メタデータ) (2021-10-09T09:02:45Z) - An Interpretable Probabilistic Model for Short-Term Solar Power
Forecasting Using Natural Gradient Boosting [0.0]
本稿では,高精度で信頼性が高く,鋭い予測を生成できる2段階確率予測フレームワークを提案する。
このフレームワークは、ポイント予測と予測間隔(PI)の両方について完全な透明性を提供する。
提案フレームワークの性能と適用性を強調するため,南ドイツにある2つのPV公園の実際のデータを用いている。
論文 参考訳(メタデータ) (2021-08-05T12:59:38Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳(メタデータ) (2021-06-08T14:48:20Z) - 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。