論文の概要: Explainable AI in Deep Learning-Based Prediction of Solar Storms

• arxiv url: http://arxiv.org/abs/2508.16543v1
• Date: Fri, 22 Aug 2025 17:09:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-25 16:42:36.466423
• Title: Explainable AI in Deep Learning-Based Prediction of Solar Storms
• Title（参考訳）: 太陽嵐の深層学習に基づく予測における説明可能なAI
• Authors: Adam O. Rawashdeh, Jason T. L. Wang, Katherine G. Herbert,
• Abstract要約: 本稿では,深層学習に基づく太陽嵐予測モデルを解釈可能なものにするためのアプローチを提案する。 LSTMベースの太陽嵐予測モデルに解釈可能性が追加されたのは今回が初めてである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A deep learning model is often considered a black-box model, as its internal workings tend to be opaque to the user. Because of the lack of transparency, it is challenging to understand the reasoning behind the model's predictions. Here, we present an approach to making a deep learning-based solar storm prediction model interpretable, where solar storms include solar flares and coronal mass ejections (CMEs). This deep learning model, built based on a long short-term memory (LSTM) network with an attention mechanism, aims to predict whether an active region (AR) on the Sun's surface that produces a flare within 24 hours will also produce a CME associated with the flare. The crux of our approach is to model data samples in an AR as time series and use the LSTM network to capture the temporal dynamics of the data samples. To make the model's predictions accountable and reliable, we leverage post hoc model-agnostic techniques, which help elucidate the factors contributing to the predicted output for an input sequence and provide insights into the model's behavior across multiple sequences within an AR. To our knowledge, this is the first time that interpretability has been added to an LSTM-based solar storm prediction model.
• Abstract（参考訳）: ディープラーニングモデルは、内部動作がユーザにとって不透明な傾向があるため、ブラックボックスモデルと見なされることが多い。 透明性が欠如しているため、モデルの予測の背後にある理由を理解するのは難しい。 本稿では,太陽嵐が太陽フレアやコロナ質量放出(CME)を含む,深層学習に基づく太陽嵐予測モデルを解釈可能なものにするためのアプローチを提案する。 このディープラーニングモデルは、注意機構を備えた長期記憶(LSTM)ネットワークに基づいて構築され、24時間以内にフレアを発生させる太陽表面のアクティブ領域(AR)がフレアに関連するCMEを生成するかどうかを予測することを目的としている。 我々のアプローチの要点は、ARにおけるデータサンプルを時系列としてモデル化し、LSTMネットワークを用いてデータサンプルの時間的ダイナミクスを捉えることである。 提案手法は,入力シーケンスの予測出力に寄与する要因を解明し,AR内の複数のシーケンスにまたがるモデル動作に関する洞察を提供する。 我々の知る限り、LSTMに基づく太陽嵐予測モデルに解釈可能性が追加されたのはこれが初めてである。

関連論文リスト

• Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
  気象予報に拡散モデル(DM)を適用した新しい手法を提案する。 提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。 我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
  論文  参考訳（メタデータ） (2024-02-06T21:28:42Z)
• FengWu-4DVar: Coupling the Data-driven Weather Forecasting Model with 4D Variational Assimilation [67.20588721130623]
  我々は,AIを用いた循環型天気予報システムFengWu-4DVarを開発した。 FengWu-4DVarは観測データをデータ駆動の天気予報モデルに組み込むことができる。 シミュレーションされた観測データセットの実験は、FengWu-4DVarが合理的な解析場を生成することができることを示した。
  論文  参考訳（メタデータ） (2023-12-16T02:07:56Z)
• 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)
• 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)
• OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive Learning [67.07363529640784]
  提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。 我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。 リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
  論文  参考訳（メタデータ） (2023-06-20T03:02:14Z)
• 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)
• Benchmarking of Deep Learning Irradiance Forecasting Models from Sky Images -- an in-depth Analysis [0.0]
  我々は4つのよく使われるディープラーニングアーキテクチャを訓練し、半球空画像のシーケンスから太陽の照度を予測する。 その結果、時間的側面の符号化は予測を大幅に改善し、10分予測スキルはテスト年度で20.4%に達した。 一般的なセットアップでは、ディープラーニングモデルは"非常にスマートな永続化モデル"のように振る舞う傾向があり、永続モデルと時間的に一致し、最もペナルティの高いエラーを軽減します。
  論文  参考訳（メタデータ） (2021-02-01T09:31:14Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• Interpreting LSTM Prediction on Solar Flare Eruption with Time-series Clustering [0.0]
  本研究では,Long Short Term Memory (LSTM)モデルによる太陽フレア予測のポストホック解析を行った。 LSTMモデルを用いて二分分類を行い,次の時間に発生するM/Xクラスフレアの確率を予測する。 我々の研究は、SHARPパラメータのサブセットが、強い太陽フレアの噴火が差し迫っている重要な信号を含んでいることを示している。
  論文  参考訳（メタデータ） (2019-12-27T22:56:01Z)

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。