論文の概要: Explanation of Dynamic Physical Field Predictions using WassersteinGrad: Application to Autoregressive Weather Forecasting

• arxiv url: http://arxiv.org/abs/2604.22580v1
• Date: Fri, 24 Apr 2026 14:12:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-27 15:36:26.494523
• Title: Explanation of Dynamic Physical Field Predictions using WassersteinGrad: Application to Autoregressive Weather Forecasting
• Title（参考訳）: Wasserstein Gradを用いた動的物理場予測の解説:自己回帰型気象予報への応用
• Authors: Younes Essafouri, Laure Raynaud, Luciano Drozda, Laurent Risser,
• Abstract要約: 我々の研究は、動的場の自己回帰的神経予測の説明によって動機付けられている。 本稿では,そのエントロピックなWasserstein Barycenterを計算することで,摂動帰属写像の幾何学的コンセンサスを抽出するWassersteinGradを紹介する。
• 参考スコア（独自算出の注目度）: 0.9566312408744934
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As the demand to integrate Artificial Intelligence into high-stakes environments continues to grow, explaining the reasoning behind neural-network predictions has shifted from a theoretical curiosity to a strict operational requirement. Our work is motivated by the explanations of autoregressive neural predictions on dynamic physical fields, as in weather forecasting. Gradient-based feature attribution methods are widely used to explain the predictions on such data, in particular due to their scalability to high-dimensional inputs. It is also interesting to remark that gradient-based techniques such as SmoothGrad are now standard on images to robustify the explanations using pointwise averages of the attribution maps obtained from several noised inputs. Our goal is to efficiently adapt this aggregation strategy to dynamic physical fields. To do so, our first contribution is to identify a fundamental failure mode when averaging perturbed attribution maps on dynamic physical fields: stochastic input perturbations do not induce stationary amplitude noise in attribution maps, but instead cause a geometric displacement of the attributions. Consequently, pointwise averaging blurs these spatially misaligned features. To tackle this issue, we introduce WassersteinGrad, which extracts a geometric consensus of perturbed attribution maps by computing their entropic Wasserstein barycenter. The results, obtained on regional weather data and a meteorologist-validated neural model, demonstrate promising explainability properties of WassersteinGrad over gradient-based baselines across both single-step and autoregressive forecasting settings.
• Abstract（参考訳）: 人工知能をハイテイク環境に統合する需要が拡大し続けており、ニューラルネットワークの予測の背後にある理由が理論的好奇心から厳格な運用要件に移行したと説明されている。 我々の研究は、天気予報のように、動的場における自己回帰的神経予測の説明によって動機付けられている。 勾配に基づく特徴属性法は、特に高次元入力へのスケーラビリティのために、そのようなデータの予測を説明するために広く用いられている。 また、SmoothGradのような勾配に基づく手法が、複数のノイズ入力から得られる帰属写像の点平均を用いて説明を強固にするために、画像上で標準となっている点も興味深い。 私たちのゴールは、このアグリゲーション戦略を動的物理場に効率的に適応させることです。 確率的入力摂動は、帰属写像の定常振幅ノイズを誘導せず、その代わりに、帰属の幾何的変位を引き起こす。 したがって、点平均化はこれらの空間的に不一致な特徴を曖昧にする。 この問題に対処するために、Wasserstein Gradを導入し、そのエントロピックなWasserstein Barycenterを計算することによって、摂動帰属写像の幾何学的コンセンサスを抽出する。 地域気象データと気象学者が検証したニューラルモデルから得られた結果は、ワンステップおよび自己回帰予測設定の両方にわたる勾配ベースライン上でのワッサーシュタイングラッドの有望な説明可能性特性を実証した。

関連論文リスト

• PhysE-Inv: A Physics-Encoded Inverse Modeling approach for Arctic Snow Depth Prediction [0.16206783799607727]
  本稿では,高度なシーケンシャルアーキテクチャ,マルチヘッドアテンションと物理誘導型コントラスト学習を備えたLSTMデコーダ,物理誘導型推論を統合した新しいフレームワークであるPhysE-Invを紹介する。 PhysE-Invは予測性能を大幅に改善し、エラーを20%削減すると同時に、経験的手法と比較して、データの分散性に優れた物理的一貫性とレジリエンスを示す。 このアプローチは、地空間および低温領域で広く適用可能な、耐雑音性、解釈可能な逆モデリングのための経路を開拓する。
  論文  参考訳（メタデータ） (2026-01-23T00:43:51Z)
• Towards mechanistic understanding in a data-driven weather model: internal activations reveal interpretable physical features [0.0]
  我々は、GraphCastの中間計算層を解析するために、Large Language Modelsにおける解釈可能性の研究からツールを適用する。 熱帯低気圧, 大気河川, 日・季節変動, 大規模降雨パターン, 特定地理的コーディング, 海氷範囲に対応する, 幅広い長さと時間スケールの異なる特徴を明らかにした。
  論文  参考訳（メタデータ） (2025-12-30T19:50:30Z)
• GKNet: Graph Kalman Filtering and Model Inference via Model-based Deep Learning [10.609815608017065]
  グラフ上の時系列による推論タスクは、都市水ネットワーク、経済学、ネットワーク化された神経科学などの応用において重要である。 グラフ時間列に対するグラフ対応状態空間モデルを提案する。このモデルでは、潜時状態と観測方程式の両方がパラメトリックグラフ誘導モデルであり、学習すべきパラメータが限られている。
  論文  参考訳（メタデータ） (2025-06-27T08:17:07Z)
• Unlearning-based Neural Interpretations [51.99182464831169]
  静的関数を用いて定義される現在のベースラインは、バイアスがあり、脆弱であり、操作可能であることを示す。 UNIは、学習不可能で、偏りがなく、適応的なベースラインを計算し、入力を最も急な上昇の未学習方向に向けて摂動させることを提案する。
  論文  参考訳（メタデータ） (2024-10-10T16:02:39Z)
• 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)
• Towards physics-informed neural networks for landslide prediction [1.03590082373586]
  PINNは、一般的なプロキシ変数から地理的パラメータを明示的に取得するニューラルネットワークである。 我々のモデルは、標準感受性出力という形で優れた予測性能を生み出す。 このアーキテクチャは、他の研究で確認されれば、PINNベースの準リアルタイム予測に向けて開放される可能性がある、コサイスミックな地すべり予測に取り組むために構築されている。
  論文  参考訳（メタデータ） (2024-07-09T11:54:49Z)
• Graph Neural Processes for Spatio-Temporal Extrapolation [36.01312116818714]
  グラフ内の周囲のコンテキストから対象地点のデータを生成する補間時間プロセスのタスクについて検討する。 既存の手法では、ニューラルネットワークのような学習に精通したモデルや、ガウスのような統計的アプローチが使用されている。 本稿では,これらの機能を同時に制御するニューラル潜在変数モデルであるスポースグラフニューラル・プロセス(STGNP)を提案する。
  論文  参考訳（メタデータ） (2023-05-30T03:55:37Z)
• Dynamic Causal Explanation Based Diffusion-Variational Graph Neural Network for Spatio-temporal Forecasting [60.03169701753824]
  時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。 提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
  論文  参考訳（メタデータ） (2023-05-16T11:38:19Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。