論文の概要: Physics-Guided Counterfactual Explanations for Large-Scale Multivariate Time Series: Application in Scalable and Interpretable SEP Event Prediction

• arxiv url: http://arxiv.org/abs/2601.08999v1
• Date: Tue, 13 Jan 2026 21:48:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-15 18:59:20.175728
• Title: Physics-Guided Counterfactual Explanations for Large-Scale Multivariate Time Series: Application in Scalable and Interpretable SEP Event Prediction
• Title（参考訳）: 大規模多変量時系列に対する物理誘導型逆実数説明法:スケーラブルで解釈可能なSEPイベント予測への応用
• Authors: Pranjal Patil, Anli Ji, Berkay Aydin,
• Abstract要約: 本研究は、太陽エネルギー粒子の予測のための物理誘導逆説明フレームワークを導入する。 このフレームワークは、ダイナミック・タイム・ワープ距離の80%以上を削減し、近接性を高め、より疎度の高い反ファクト的説明を生成し、DCEのような最先端のベースラインと比較してランタイムを50%近く削減する。
• 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: Accurate prediction of solar energetic particle events is vital for safeguarding satellites, astronauts, and space-based infrastructure. Modern space weather monitoring generates massive volumes of high-frequency, multivariate time series (MVTS) data from sources such as the Geostationary perational Environmental Satellites (GOES). Machine learning (ML) models trained on this data show strong predictive power, but most existing methods overlook domain-specific feasibility constraints. Counterfactual explanations have emerged as a key tool for improving model interpretability, yet existing approaches rarely enforce physical plausibility. This work introduces a Physics-Guided Counterfactual Explanation framework, a novel method for generating counterfactual explanations in time series classification tasks that remain consistent with underlying physical principles. Applied to solar energetic particles (SEP) forecasting, this framework achieves over 80% reduction in Dynamic Time Warping (DTW) distance increasing the proximity, produces counterfactual explanations with higher sparsity, and reduces runtime by nearly 50% compared to state-of-the-art baselines such as DiCE. Beyond numerical improvements, this framework ensures that generated counterfactual explanations are physically plausible and actionable in scientific domains. In summary, the framework generates counterfactual explanations that are both valid and physically consistent, while laying the foundation for scalable counterfactual generation in big data environments.
• Abstract（参考訳）: 太陽エネルギー粒子の正確な予測は、人工衛星、宇宙飛行士、宇宙ベースのインフラを保護するために不可欠である。 現代の宇宙気象モニタリングは、地球周期環境衛星(GOES)などの情報源から、高周波多変量時系列データ(MVTS)を大量に生成している。 このデータに基づいてトレーニングされた機械学習(ML)モデルは、強い予測力を示すが、既存のほとんどのメソッドは、ドメイン固有の実現可能性制約を見落としている。 モデル解釈可能性を改善する重要なツールとして、カウンターファクチュアルな説明が登場したが、既存のアプローチでは、物理的な妥当性を強制することはめったにない。 本研究は, 物理原理に整合した時系列分類タスクにおいて, 対実的説明を生成する新しい手法である物理誘導対実説明フレームワークを導入する。 太陽エネルギー粒子(SEP)予測に応用すると、近接性を高める動的時間温暖化(DTW)距離が80%以上減少し、より疎度の高い反実的な説明を発生させ、DCEのような最先端のベースラインと比較してランタイムを50%近く減少させる。 数値的な改善の他に、この枠組みは、生成した反事実的説明が物理的に妥当であり、科学的領域で実行可能であることを保証している。 要約すると、このフレームワークは、有効かつ物理的に整合性のある反ファクト的説明を生成し、ビッグデータ環境におけるスケーラブルな反ファクト的生成の基礎を築き上げている。

関連論文リスト

• Forecasting the Ionosphere from Sparse GNSS Data with Temporal-Fusion Transformers [0.28112829609955153]
  トータル・エレクトロン・コンテント(TEC)は、鍵となる電離層パラメータである。 TECは観測結果から導かれるが、その信頼性は地球規模測定の希少な性質によって制限される。 本稿では,TFT(Temporal Fusion Transformer)を利用した電離層変動予測のための機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-30T23:08:19Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• A Scalable Real-Time Data Assimilation Framework for Predicting Turbulent Atmosphere Dynamics [8.012940782999975]
  我々は,汎用リアルタイムデータ同化フレームワークを導入し,そのエンドツーエンド性能をFrontierスーパーコンピュータ上で実証する。 このフレームワークは、アンサンブルスコアフィルタ(EnSF)とビジョントランスフォーマーベースのサロゲートの2つの主要モジュールから構成される。 ExascaleスーパーコンピュータであるFrontier上では、私たちのフレームワークの強いスケーリングと弱いスケーリングの両方を1024GPUで実証しています。
  論文  参考訳（メタデータ） (2024-07-16T20:44:09Z)
• Leveraging data-driven weather models for improving numerical weather prediction skill through large-scale spectral nudging [1.747339718564314]
  本研究は、物理学に基づくGEMとAIベースのGraphCastモデルの相対的な強みと弱みを示す。 物理空間とスペクトル空間におけるそれぞれの大域的予測の解析により、GraphCast予測された大規模なスケールは、より長いリードタイムにおいてGEMを上回っていることが明らかとなった。 GEMにより予測される温度と水平風の成分を大規模にグラフCast予測に向けてスペクトル的に評価するハイブリッドNWP-AIシステムを提案する。
  論文  参考訳（メタデータ） (2024-07-08T16:39:25Z)
• Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
  本稿では,天気予報をトレーニングデータセットを超える微細な時間スケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。 具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。 また、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークも導入する。
  論文  参考訳（メタデータ） (2024-05-22T16:21:02Z)

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。