論文の概要: Prototype-based Explainable Neural Networks with Channel-specific Reasoning for Geospatial Learning Tasks

• arxiv url: http://arxiv.org/abs/2602.00331v1
• Date: Fri, 30 Jan 2026 21:34:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.122172
• Title: Prototype-based Explainable Neural Networks with Channel-specific Reasoning for Geospatial Learning Tasks
• Title（参考訳）: 地理空間学習課題のためのチャネル固有推論を用いたプロトタイプベース説明可能なニューラルネットワーク
• Authors: Anushka Narayanan, Karianne J. Bergen,
• Abstract要約: プロトタイプベースのXAIメソッドは、ポストホックアプローチに対して本質的に解釈可能な代替手段を提供する。 既存のプロトタイプベースのモデルは、主に標準のRGB画像データのために設計されている。 我々は,マルチチャネル地理空間データに適したプロトタイプベースのXAIアプローチを開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Explainable AI (XAI) is essential for understanding machine learning (ML) decision-making and ensuring model trustworthiness in scientific applications. Prototype-based XAI methods offer an intrinsically interpretable alternative to post-hoc approaches which often yield inconsistent explanations. Prototype-based XAI methods make predictions based on the similarity between inputs and learned prototypes that represent typical characteristics of target classes. However, existing prototype-based models are primarily designed for standard RGB image data and are not optimized for the distinct, variable-specific channels commonly found in geoscientific image and raster datasets. In this study, we develop a prototype-based XAI approach tailored for multi-channel geospatial data, where each channel represents a distinct physical environmental variable or spectral channel. Our approach enables the model to identify separate, channel-specific prototypical characteristics sourced from multiple distinct training examples that inform how these features individually and in combination influence model prediction while achieving comparable performance to standard neural networks. We demonstrate this method through two geoscientific case studies: (1) classification of Madden Julian Oscillation phases using multi-variable climate data and (2) land-use classification from multispectral satellite imagery. This approach produces both local (instance-level) and global (model-level) explanations for providing insights into feature-relevance across channels. By explicitly incorporating channel-prototypes into the prediction process, we discuss how this approach enhances the transparency and trustworthiness of ML models for geoscientific learning tasks.
• Abstract（参考訳）: 説明可能なAI(XAI)は、機械学習(ML)の決定を理解し、科学的応用におけるモデルの信頼性を保証するために不可欠である。 原型に基づくXAI法は、しばしば矛盾しない説明をもたらすポストホックアプローチに本質的に解釈可能な代替手段を提供する。 プロトタイプベースのXAI手法は,対象クラスの典型的特徴を表す入力と学習プロトタイプの類似性に基づいて,予測を行う。 しかし、既存のプロトタイプベースのモデルは、主に標準のRGB画像データのために設計されており、地質学的画像やラスタデータセットで一般的に見られる、異なる可変固有のチャネルに最適化されていない。 本研究では,多チャンネル地理空間データに適したプロトタイプベースのXAIアプローチを開発し,各チャネルが異なる物理的環境変数やスペクトルチャネルを表す。 提案手法は,複数の異なるトレーニング例から得られた,異なるチャネル固有の特徴を同定し,それらの特徴が標準ニューラルネットワークに匹敵する性能を達成しつつ,モデル予測にどのように影響するかを示す。 本手法は,(1)多変量気象データを用いたマデン・ジュリアン振動位相の分類,(2)マルチスペクトル衛星画像からの土地利用分類の2つのケーススタディを通して実証する。 このアプローチは、チャネル間の機能関連性に関する洞察を提供するために、ローカル(インスタンスレベル)とグローバル(モデルレベル)の両方の説明を生成する。 予測プロセスにチャネルプロトタイプを明示的に組み込むことで,この手法が地学学習タスクにおけるMLモデルの透明性と信頼性を高める方法について議論する。

関連論文リスト

• Cognitive Maps in Language Models: A Mechanistic Analysis of Spatial Planning [2.1115884707107715]
  我々はグリッド環境における3つの空間学習パラダイムに基づいてGPT-2モデルを訓練する。 行動、表現、機械的分析を用いて、2つの基本的な異なる学習アルゴリズムを明らかにする。
  論文  参考訳（メタデータ） (2025-11-17T13:46:19Z)
• Invariance Pair-Guided Learning: Enhancing Robustness in Neural Networks [0.0]
  トレーニングフェーズを通じてニューラルネットワークを誘導する手法を提案する。 従来の勾配降下法を補完する補正勾配を形成する。 ColoredMNIST、Waterbird-100、CelebANISTデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2025-02-26T09:36:00Z)
• Raising the Bar in Graph OOD Generalization: Invariant Learning Beyond Explicit Environment Modeling [61.222803636132554]
  実世界のグラフデータは、従来のモデルでは一般化できない、多様で変化する環境を示すことが多い。 マルチプロトタイプ超球形不変学習(MPHIL)と呼ばれる新しい手法を提案する。 MPHILは最先端のパフォーマンスを実現し、様々なドメインからのグラフデータと異なる分散シフトで既存のメソッドよりも大幅に優れています。
  論文  参考訳（メタデータ） (2025-02-15T07:40:14Z)
• An Interpretable Implicit-Based Approach for Modeling Local Spatial Effects: A Case Study of Global Gross Primary Productivity [9.352810748734157]
  地球科学では、観測されていない要因は非定常分布を示し、特徴と対象の関係が空間的不均一性を示す。 地理的機械学習タスクでは、従来の統計学習手法は空間的不均一性を捉えるのに苦労することが多い。 我々は、深層ニューラルネットワークを用いた空間差と並行して、異なる場所で共通する特徴を同時にモデル化する、新しい視点を提案する。
  論文  参考訳（メタデータ） (2025-02-10T05:44:54Z)
• A Federated Channel Modeling System using Generative Neural Networks [8.424767096311928]
  本研究では,無人航空機におけるミリ波無線ネットワークにおける空対地チャネル推定のためのデータ駆動方式を提案する。 我々は、チャネル推定にフェデレートラーニング(FL)を用い、低高度プラットフォームと地上端末との間の空対地経路損失を予測する。 提案モデルの有効性を評価するため,Kullback-Leibler divergence (KL) と,モデルが生成した合成データ分布と実際のデータ分布とのワッサーシュタイン距離を用いて,その性能を評価する。
  論文  参考訳（メタデータ） (2023-05-30T08:50:22Z)
• ContraFeat: Contrasting Deep Features for Semantic Discovery [102.4163768995288]
  StyleGANは、アンタングル化セマンティックコントロールの強い可能性を示している。 StyleGANの既存の意味発見手法は、修正された潜在層を手作業で選択することで、良好な操作結果が得られる。 本稿では,このプロセスを自動化し,最先端のセマンティック発見性能を実現するモデルを提案する。
  論文  参考訳（メタデータ） (2022-12-14T15:22:13Z)
• BMD: A General Class-balanced Multicentric Dynamic Prototype Strategy for Source-free Domain Adaptation [74.93176783541332]
  Source-free Domain Adaptation (SFDA)は、トレーニング済みのソースモデルを、十分にラベル付けされたソースデータにアクセスすることなく、未ラベルのターゲットドメインに適応することを目的としている。 ソースデータの欠如を補うため、既存のほとんどのメソッドは、機能プロトタイプベースの擬似ラベル戦略を導入した。 SFDAタスクのための汎用クラスベース多中心動的プロトタイプ戦略を提案する。
  論文  参考訳（メタデータ） (2022-04-06T13:23:02Z)
• Subject-Independent Drowsiness Recognition from Single-Channel EEG with an Interpretable CNN-LSTM model [0.8250892979520543]
  単一チャネル脳波信号からの主観的非依存的眠気認識のための新しい畳み込みニューラルネットワーク(CNN)-Long Short-Term Memory(LSTM)モデルを提案する。 その結果, 公立データセット上での被写体独立性認識において, 11人の被写体の平均精度は72.97%であった。
  論文  参考訳（メタデータ） (2021-11-21T10:37:35Z)
• Multi-Branch Deep Radial Basis Function Networks for Facial Emotion Recognition [80.35852245488043]
  放射状基底関数(RBF)ユニットによって形成された複数の分岐で拡張されたCNNベースのアーキテクチャを提案する。 RBFユニットは、中間表現を用いて類似のインスタンスで共有される局所パターンをキャプチャする。 提案手法は,提案手法の競争力を高めるためのローカル情報の導入であることを示す。
  論文  参考訳（メタデータ） (2021-09-07T21:05:56Z)

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。