論文の概要: Using Machine Learning to Discover Parsimonious and Physically-Interpretable Representations of Catchment-Scale Rainfall-Runoff Dynamics

• arxiv url: http://arxiv.org/abs/2412.04845v2
• Date: Thu, 16 Jan 2025 18:48:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-17 15:08:08.526397
• Title: Using Machine Learning to Discover Parsimonious and Physically-Interpretable Representations of Catchment-Scale Rainfall-Runoff Dynamics
• Title（参考訳）: 機械学習を用いた流域規模の降雨・流出動態の同義的で物理的に解釈可能な表現の探索
• Authors: Yuan-Heng Wang, Hoshin V. Gupta,
• Abstract要約: 本稿では,汎用ネットワークアーキテクチャの基本計算単位としてMass Conserving Perceptron (MCP) を用いる方法を示す。 物理的解釈可能性と優れた予測性能は,比較的相似な分散状態マルチフローパスネットワークを用いて達成可能であることを示す。
• 参考スコア（独自算出の注目度）: 1.1510009152620668
• License:
• Abstract: Despite the excellent real-world predictive performance of modern machine learning (ML) methods, many scientists remain hesitant to discard traditional physical-conceptual (PC) approaches due mainly to their relative interpretability, which contributes to credibility during decision-making. In this context, a currently underexplored aspect of ML is how to develop minimally-optimal representations that can facilitate better insight regarding system functioning. Regardless of how this is achieved, it is arguably true that parsimonious representations better support the advancement of scientific understanding. Our own view is that ML-based modeling of geoscientific systems should be based in the use of computational units that are fundamentally interpretable by design. This paper continues our exploration of how the strengths of ML can be exploited in the service of better understanding via scientific investigation. Here, we use the Mass Conserving Perceptron (MCP) as the fundamental computational unit in a generic network architecture consisting of nodes arranged in series and parallel to explore several generic and important issues related to the use of observational data for constructing input-state-output models of dynamical systems. In the context of lumped catchment modeling, we show that physical interpretability and excellent predictive performance can both be achieved using a relatively parsimonious distributed-state multiple-flow-path network with context-dependent gating and information sharing across the nodes, suggesting that MCP-based modeling can play a significant role in application of ML to geoscientific investigation.
• Abstract（参考訳）: 現代の機械学習(ML)手法の優れた実世界の予測性能にもかかわらず、多くの科学者は、意思決定の信頼性に寄与する相対的解釈可能性を中心に、伝統的な物理概念(PC)アプローチを捨てることをためらっている。 この文脈では、MLの現在未調査の側面は、システム機能に関するより良い洞察を促進するために、最小限の最適表現を開発する方法である。 これがどう達成されたかは問わないが、同義的な表現が科学的な理解の進歩をより良く支えていることは疑いようもなく事実である。 我々の見解では、MLに基づく地学システムのモデリングは、設計によって根本的に解釈可能な計算単位をベースとすべきである。 本稿では,MLの強みを科学的研究を通じて理解を深めるために活用する方法を探究する。 本稿では、並列に配列されたノードからなる汎用ネットワークアーキテクチャの基本計算単位として、MCP(Mass Conserving Perceptron)を用いて、動的システムの入力状態出力モデルを構築するための観測データの使用に関連する、いくつかの一般的かつ重要な問題を探索する。 ラムトキャッチメント・モデリングの文脈において, 状況に依存したゲーティングとノード間の情報共有を備えた分散状態多重フローパスネットワークを用いて, 物理的解釈可能性と優れた予測性能を両立できることを示し, MCPに基づくモデリングが, MLの地質調査への応用において重要な役割を担っていることを示唆する。

関連論文リスト

• MAPS: Advancing Multi-Modal Reasoning in Expert-Level Physical Science [62.96434290874878]
  現在のMLLM(Multi-Modal Large Language Models)は、一般的な視覚的推論タスクにおいて強力な機能を示している。 我々は,MLLMに基づく物理知覚とシミュレーションによるマルチモーダル科学推論(MAPS)という新しいフレームワークを開発した。 MAPSは、専門家レベルのマルチモーダル推論タスクを物理的知覚モデル(PPM)を介して物理図理解に分解し、シミュレータを介して物理的知識で推論する。
  論文  参考訳（メタデータ） (2025-01-18T13:54:00Z)
• Data-Efficient Inference of Neural Fluid Fields via SciML Foundation Model [49.06911227670408]
  本研究では,SciML基礎モデルにより,現実の3次元流体力学を推定する際のデータ効率を大幅に向上できることを示す。 基礎モデルから抽出した拡張ビューと流体特徴を利用した新しい協調学習手法をニューラルネットワークに装備する。
  論文  参考訳（メタデータ） (2024-12-18T14:39:43Z)
• Benchmarks as Microscopes: A Call for Model Metrology [76.64402390208576]
  現代の言語モデル(LM)は、能力評価において新たな課題を提起する。 メトリクスに自信を持つためには、モデルミアロジの新たな規律が必要です。
  論文  参考訳（メタデータ） (2024-07-22T17:52:12Z)
• Large Language Model-Based Interpretable Machine Learning Control in Building Energy Systems [3.0309252269809264]
  本稿では、モデルとその推論の透明性と理解を高める機械学習(ML)の分野である、解釈可能な機械学習(IML)について検討する。 共有価値の原則とLarge Language Models(LLMs)のコンテキスト内学習機能を組み合わせた革新的なフレームワークを開発する。 本稿では,仮想テストベッドにおける需要応答イベント下での予測制御に基づく事前冷却モデルの実現可能性を示すケーススタディを提案する。
  論文  参考訳（メタデータ） (2024-02-14T21:19:33Z)
• Towards Interpretable Physical-Conceptual Catchment-Scale Hydrological Modeling using the Mass-Conserving-Perceptron [1.1510009152620668]
  本研究では, ニューラル・アーキテクチャー・サーチを用いて, 異なる気候環境下での漁獲量に対する最小限の表現を適切に決定することにより, 地域規模のMPPに基づく水文モデル(大規模なサンプルデータを用いた)の解釈の段階を定めている。
  論文  参考訳（メタデータ） (2024-01-25T21:26:49Z)
• A Mass-Conserving-Perceptron for Machine Learning-Based Modeling of Geoscientific Systems [1.1510009152620668]
  我々は,PCベースとMLベースのモデリングアプローチのギャップを埋める手段として,物理的に解釈可能なMass Conserving Perceptron (MCP)を提案する。 MCPは、PCモデルの基礎となる有向グラフ構造とGRNNの間の固有同型を利用して、物理過程の質量保存性を明確に表す。
  論文  参考訳（メタデータ） (2023-10-12T18:09:33Z)
• Scaling Vision-Language Models with Sparse Mixture of Experts [128.0882767889029]
  提案手法は, 等価計算コストの高密度モデルに対して, 様々なベンチマークにおいて, 最先端性能を実現することができることを示す。 我々の研究は、MoEモデルのトレーニングの安定化、モデル解釈可能性に対するMoEの影響の理解、ビジョン言語モデルをスケールする際の計算性能間のトレードオフのバランスに関する貴重な洞察を提供する。
  論文  参考訳（メタデータ） (2023-03-13T16:00:31Z)
• Scientific Inference With Interpretable Machine Learning: Analyzing Models to Learn About Real-World Phenomena [4.312340306206884]
  解釈可能な機械学習は、モデルを論理的に分析して解釈を導出することで解を提供する。 現在のIML研究は、科学的推論にMLモデルを活用するのではなく、MLモデルの監査に重点を置いている。 本稿では、モデルだけでなく、その表現する現象を照らし出すIMLメソッドを定式化した「プロパティ記述子」を設計するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-11T10:13:21Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• Towards Interpretable Deep Learning Models for Knowledge Tracing [62.75876617721375]
  本稿では,深層学習に基づく知識追跡(DLKT)モデルの解釈可能性問題に対処するポストホック手法を提案する。 具体的には、RNNに基づくDLKTモデルを解釈するために、レイヤワイズ関連伝搬法(LRP)を適用することに焦点をあてる。 実験結果から,DLKTモデルの予測をLRP法で解釈できることを示す。
  論文  参考訳（メタデータ） (2020-05-13T04:03:21Z)

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。