Fugu-MT 論文翻訳(概要): Explainable Deep Learning-based Solar Flare Prediction with post hoc Attention for Operational Forecasting

論文の概要: Explainable Deep Learning-based Solar Flare Prediction with post hoc Attention for Operational Forecasting

arxiv url: http://arxiv.org/abs/2308.02682v1
Date: Fri, 4 Aug 2023 19:33:25 GMT
ステータス: 処理完了
システム内更新日: 2023-08-08 19:18:41.928737
Title: Explainable Deep Learning-based Solar Flare Prediction with post hoc Attention for Operational Forecasting
Title（参考訳）: 運用予測のためのポストホックな注意による深層学習に基づく太陽フレア予測
Authors: Chetraj Pandey, Rafal A. Angryk, Manolis K. Georgoulis, Berkay Aydin
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.6299766708197884
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper presents a post hoc analysis of a deep learning-based full-disk solar flare prediction model. We used hourly full-disk line-of-sight magnetogram images and selected binary prediction mode to predict the occurrence of $\geq$M1.0-class flares within 24 hours. We leveraged custom data augmentation and sample weighting to counter the inherent class-imbalance problem and used true skill statistic and Heidke skill score as evaluation metrics. Recent advancements in gradient-based attention methods allow us to interpret models by sending gradient signals to assign the burden of the decision on the input features. We interpret our model using three post hoc attention methods: (i) Guided Gradient-weighted Class Activation Mapping, (ii) Deep Shapley Additive Explanations, and (iii) Integrated Gradients. Our analysis shows that full-disk predictions of solar flares align with characteristics related to the active regions. The key findings of this study are: (1) We demonstrate that our full disk model can tangibly locate and predict near-limb solar flares, which is a critical feature for operational flare forecasting, (2) Our candidate model achieves an average TSS=0.51$\pm$0.05 and HSS=0.38$\pm$0.08, and (3) Our evaluation suggests that these models can learn conspicuous features corresponding to active regions from full-disk magnetograms.
Abstract（参考訳）: 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時間以内に$$\geq$M1.0級フレアの発生を予測するために、1時間ごとのフルディスクラインオブサイト・マグネティックグラム画像と2値予測モードを選択した。私たちは独自のデータ拡張とサンプル重み付けを利用して,固有のクラス不均衡問題に対処し,真のスキル統計とハイドケスキルスコアを評価指標として用いた。近年のグラデーションベースアテンション手法の進歩により、勾配信号を送信し、入力特徴に対する決定の重荷を割り当てることでモデルを解釈することができる。我々は3つのポストホックアテンション手法を用いてモデルを解釈する。 (i)ガイド付きグラディエント級活性化マッピング (ii)深層シェープリー添加説明、及び (iii)統合勾配。解析の結果,太陽フレアのフルディスク予測は活動領域に関する特性と一致していることがわかった。本研究の重要な知見は,(1)全円板モデルが操作フレア予測の重要な特徴である近辺の太陽フレアを接接点として予測できること,(2) 候補モデルが平均tss=0.51$\pm$0.05 と hss=0.38$\pm$0.08 を達成すること,(3) このモデルがフルディスク磁図から有効領域に対応する特徴を学習できること,である。

関連論文リスト

OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
論文参考訳（メタデータ） (2024-09-14T07:44:22Z)
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)
Explaining Full-disk Deep Learning Model for Solar Flare Prediction using Attribution Methods [0.6882042556551611]
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。
論文参考訳（メタデータ） (2023-07-29T03:18:56Z)
Generalizing Backpropagation for Gradient-Based Interpretability [103.2998254573497]
モデルの勾配は、半環を用いたより一般的な定式化の特別な場合であることを示す。この観測により、バックプロパゲーションアルゴリズムを一般化し、他の解釈可能な統計を効率的に計算することができる。
論文参考訳（メタデータ） (2023-07-06T15:19:53Z)
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)
Extracting or Guessing? Improving Faithfulness of Event Temporal Relation Extraction [87.04153383938969]
本研究では,TempRel抽出モデルの忠実度を2つの観点から改善する。第1の視点は、文脈記述に基づいて真に抽出することである。第2の視点は、適切な不確実性評価を提供することである。
論文参考訳（メタデータ） (2022-10-10T19:53:13Z)
Towards Coupling Full-disk and Active Region-based Flare Prediction for Operational Space Weather Forecasting [0.5872014229110215]
本稿では, 太陽フレア予測システムの訓練と展開を行うための新しい手法を提案する。フルディスクモードでは、深層学習モデルを用いて全ディスクラインオブサイト磁気グラム上で予測を行う。アクティブなリージョンベースモデルでは、各アクティブなリージョンに対して個別に予測が発行される。
論文参考訳（メタデータ） (2022-08-11T22:34:44Z)
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)
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。