論文の概要: Enhancing Explainability in Solar Energetic Particle Event Prediction: A Global Feature Mapping Approach

• arxiv url: http://arxiv.org/abs/2511.09475v1
• Date: Thu, 13 Nov 2025 01:56:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-13 22:34:54.585057
• Title: Enhancing Explainability in Solar Energetic Particle Event Prediction: A Global Feature Mapping Approach
• Title（参考訳）: 太陽エネルギー粒子イベント予測における説明可能性の強化:グローバルな特徴マッピングアプローチ
• Authors: Anli Ji, Pranjal Patil, Chetraj Pandey, Manolis K. Georgoulis, Berkay Aydin,
• Abstract要約: 太陽エネルギー粒子(SEP)イベントは、コロナ質量放出(CME)以外の太陽フレアや衝撃波によって加速されたときに有害な放射を発生させることができる SEP予測に使われている既存のデータ駆動手法はブラックボックスモデルとして運用されている。 モデル透明性を高めるために,グローバルな説明とアドホックな特徴マッピングを統合した新しいフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Solar energetic particle (SEP) events, as one of the most prominent manifestations of solar activity, can generate severe hazardous radiation when accelerated by solar flares or shock waves formed aside from coronal mass ejections (CMEs). However, most existing data-driven methods used for SEP predictions are operated as black-box models, making it challenging for solar physicists to interpret the results and understand the underlying physical causes of such events rather than just obtain a prediction. To address this challenge, we propose a novel framework that integrates global explanations and ad-hoc feature mapping to enhance model transparency and provide deeper insights into the decision-making process. We validate our approach using a dataset of 341 SEP events, including 244 significant (>=10 MeV) proton events exceeding the Space Weather Prediction Center S1 threshold, spanning solar cycles 22, 23, and 24. Furthermore, we present an explainability-focused case study of major SEP events, demonstrating how our method improves explainability and facilitates a more physics-informed understanding of SEP event prediction.
• Abstract（参考訳）: 太陽活動の最も顕著な兆候の1つである太陽エネルギー粒子(SEP)は、コロナ質量放出(CME)以外の太陽フレアや衝撃波によって加速されると、深刻な危険放射線を発生させることができる。 しかし、SEP予測に使われているほとんどの既存のデータ駆動手法はブラックボックスモデルとして運用されており、太陽物理学者が単に予測を得るのではなく、その結果を解釈し、基礎となる物理的原因を理解することは困難である。 この課題に対処するため、我々は、グローバルな説明とアドホックな機能マッピングを統合し、モデルの透明性を高め、意思決定プロセスに関する深い洞察を提供する新しいフレームワークを提案する。 宇宙気象予報センターS1の閾値を超える244個の有意(>=10 MeV)プロトンイベントを含む341個のSEPイベントのデータセットを用いて、我々のアプローチを検証する。 さらに、主要なSEPイベントの説明可能性に着目したケーススタディを提案し、本手法が説明可能性を改善し、SEPイベント予測をより物理学的に表現した理解を促進することを実証する。

関連論文リスト

• xTime: Extreme Event Prediction with Hierarchical Knowledge Distillation and Expert Fusion [65.63135031712153]
  時系列における極端なイベント予測のための新しいフレームワークであるxTimeを提案する。 xTimeは知識蒸留を利用して、低レベルなイベントでトレーニングされたモデルから情報を転送する。 我々は、異なる希少度で専門家モデルから出力を動的に選択し、融合する専門家(MoE)機構の混合を導入する。
  論文  参考訳（メタデータ） (2025-10-23T15:24:45Z)
• DAWP: A framework for global observation forecasting via Data Assimilation and Weather Prediction in satellite observation space [60.729377189859]
  完全な観測空間でAIWPを動作させるためのDAWPフレームワークを提案する。 AIDAモジュールは、不規則な衛星観測トークンを同化するためにマスク多モードオートエンコーダを適用している。 我々はAIDAがAIWPのロールアウトと効率を大幅に改善し、地球規模の降水分解予測に適用できる有望な可能性を秘めていることを示す。
  論文  参考訳（メタデータ） (2025-10-13T03:13:35Z)
• PRESOL: a web-based computational setting for feature-based flare forecasting [1.759008116536278]
  太陽フレアは太陽系で最も爆発的な現象であり、事象の連鎖の引き金となっている。 データ駆動型太陽フレア予測は、ディープラーニングアプローチか機械学習アルゴリズムのいずれかに依存している。 本稿では,特徴に基づく機械学習手法の計算パイプライン実行のためのWebベースの技術プラットフォームについて述べる。
  論文  参考訳（メタデータ） (2025-10-02T08:40:10Z)
• Ultra-short-term solar power forecasting by deep learning and data reconstruction [60.200987006598524]
  深層学習に基づく超短周期太陽エネルギー予測とデータ再構成を提案する。 我々は、ターゲット予測期間に対する長期的および短期的依存関係をキャプチャするために、ディープラーニングモデルを用いる。
  論文  参考訳（メタデータ） (2025-09-21T14:22:35Z)
• Surya: Foundation Model for Heliophysics [3.573991705302358]
  汎用的な太陽表象を学習するために設計されたヘリオフィジカルのための366Mパラメータ基礎モデルであるSuryaを紹介する。 パラメータ効率の低い低時間適応Rank (LoRA) を用いた下流微調整は高い性能を示す一方で, 太陽のダイナミクスやフレア現象を予測する能力を示す。 その新しいアーキテクチャと性能は、このモデルが太陽の進化の背後にある物理学を学ぶことができることを示唆している。
  論文  参考訳（メタデータ） (2025-08-18T05:44:25Z)
• Forecasting SEP Events During Solar Cycles 23 and 24 Using Interpretable Machine Learning [38.321248253111776]
  我々は、新しいデータプロダクトの予測可能性を評価するために、一連の機械学習戦略を用いて、事後SEPイベントの予測を行う。 データ量の増大にもかかわらず、予測精度は 0.7 + 0.1 に達し、これはこれらのベンチマークに合致するが、公表されたベンチマークを超えない。
  論文  参考訳（メタデータ） (2024-03-04T23:12:17Z)
• MEMPSEP III. A machine learning-oriented multivariate data set for forecasting the Occurrence and Properties of Solar Energetic Particle Events using a Multivariate Ensemble Approach [0.0]
  本稿では,機械学習パイプラインの検証,クリーン化,キュレーションを行う複数の公開観測源から作成したデータセットについて述べる。 太陽エネルギー粒子(SEP)を生成する252個の太陽事象と、そうでない17,542個の太陽事象を同定する。 同定された各事象に対して,エネルギー陽子と電子データ,上流太陽風条件,惑星間磁場ベクトル量などの局所プラズマ特性を1auで取得する。
  論文  参考訳（メタデータ） (2023-10-23T22:42:23Z)
• Improving day-ahead Solar Irradiance Time Series Forecasting by Leveraging Spatio-Temporal Context [46.72071291175356]
  太陽発電は二酸化炭素の排出量を大幅に削減することで気候変動を緩和する大きな可能性を秘めている。 しかし、太陽光の固有の変動は、電力網に太陽エネルギーをシームレスに統合する上で大きな課題となる。 本稿では,衛星データを用いた時間的文脈の活用を目的としたディープラーニングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-06-01T19:54:39Z)
• SPEECH: Structured Prediction with Energy-Based Event-Centric Hyperspheres [60.79901400258962]
  イベント中心の構造化予測では、イベントの構造化出力を予測する。 エネルギーベースイベント中心超球面(SPEECH)を用いた構造予測を提案する。
  論文  参考訳（メタデータ） (2023-05-23T02:28:09Z)
• Physics-driven machine learning for the prediction of coronal mass ejections' travel times [46.58747894238344]
  コロナ質量放出(CME)は、太陽コロナからヘリウム圏へのプラズマと磁場の劇的な放出に対応する。 CMEは地磁気嵐と相関しており、太陽エネルギー粒子の流れを発生させる可能性がある。 本稿では,CMEの走行時間予測のための物理駆動型人工知能手法を提案する。
  論文  参考訳（メタデータ） (2023-05-17T08:53:29Z)

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。