論文の概要: OceanCBM: A Concept Bottleneck Model for Mechanistic Interpretability in Ocean Forecasting

• arxiv url: http://arxiv.org/abs/2605.12639v1
• Date: Tue, 12 May 2026 18:29:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.617429
• Title: OceanCBM: A Concept Bottleneck Model for Mechanistic Interpretability in Ocean Forecasting
• Title（参考訳）: OceanCBM:Ocean Forecastingにおけるメカニスティック解釈可能性のための概念ボトルネックモデル
• Authors: Sanah Suri, Kieran Ringel, Maike Sonnewald,
• Abstract要約: オーシャン・オーシャン(Ocean Ocean)は、海洋力学の予測と機械的尋問のための最初の概念モデル(CBM)である。 混合監督は一貫した機械的表現をもたらすが,予測のみのベースラインと処方則のみのベースラインは,同様の予測性能に拘わらず,高度に可変な潜伏構造を学習する。 CBMは、解釈可能性と性能のトレードオフを特徴付けるスキルを犠牲にすることなく、明示的に解釈可能で、物理的に接地された表現を実現する。
• 参考スコア（独自算出の注目度）: 0.22940141855172033
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Extreme ocean phenomena are challenging not only to predict but to diagnose, as accurate forecasts alone do not reveal the underlying physical drivers. While recent machine learning approaches achieve strong predictive skill, they remain largely opaque and provide limited guarantees of fidelity to ground-truth physics. We introduce OceanCBM, the first concept bottleneck model (CBM) for spatiotemporal prediction and mechanistic interrogation of ocean dynamics. OceanCBM uses mixed supervision to predict mixed layer heat content, a key precursor of marine heatwaves, while routing information through an intermediate layer of prescribed concepts derived from geophysical fluid dynamics and a 'free' concept. This design imposes soft physical structure without over-constraining the model, and the free concept both regularizes concept predictions and captures residual physical processes. Across ensemble initializations, we show that mixed supervision yields consistent mechanistic representations, whereas prediction-only and prescription-only baselines learn highly variable latent structures despite similar predictive performance. OceanCBM achieves interpretable, physically grounded representations without sacrificing skill, explicitly characterizing the interpretability-performance trade-off.
• Abstract（参考訳）: 正確な予測だけでは、基礎となる物理的ドライバを明らかにしないため、極端に海洋現象は予測だけでなく診断も困難である。 最近の機械学習のアプローチは強い予測スキルを達成しているが、それらはほとんど不透明であり、地道物理学に対する忠実性の保証は限られている。 本研究では,海洋力学の時空間予測と機械的尋問のための最初の概念ボトルネックモデルであるOceanCBMを紹介する。 OceanCBMは混合層熱量を予測し、海洋熱波の主要な先駆体である混合層熱量を予測し、物理流体力学と「自由」の概念から所定の概念の中間層をルーティングする。 この設計は、モデルを過剰に拘束することなくソフトな物理構造を課し、自由概念は概念予測を正規化し、残余の物理過程をキャプチャする。 アンサンブルの初期化全体では、混合監督は一貫した機械的表現をもたらすが、予測のみのベースラインと処方則のみのベースラインは、同様の予測性能にもかかわらず、高度に可変な潜在構造を学習する。 OceanCBMは、解釈可能性と性能のトレードオフを明確に特徴付けるため、スキルを犠牲にすることなく、解釈可能で物理的に接地された表現を実現する。

関連論文リスト

• PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
  既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。 我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。 本手法は,結合予測システムの長期安定性を著しく向上させる。
  論文  参考訳（メタデータ） (2026-05-09T13:12:33Z)
• Rethinking Concept Bottleneck Models: From Pitfalls to Solutions [53.84388497227224]
  概念ボトルネックモデル (Concept Bottleneck Models, CBM) は、人間の理解可能な概念の基底予測である。 CBM-Suiteはこれらの課題に対処するための方法論的なフレームワークである。
  論文  参考訳（メタデータ） (2026-03-05T19:37:49Z)
• A Physics Prior-Guided Dual-Stream Attention Network for Motion Prediction of Elastic Bragg Breakwaters [7.146484689550911]
  従来のディープラーニングモデルは、目に見えない海の状態を示すとき、限定的な一般化能力を示すことが多い。 本研究は,PhysAttnNet(PhysAttnNet)を用いた物理優先型デュアルストリームアテンションネットワークを提案する。 ウェーブ・フラム・データセットの実験では、PhysAttnNetが主流モデルを大幅に上回っていることが示されている。
  論文  参考訳（メタデータ） (2025-10-16T03:06:44Z)
• Continuous Evolution Pool: Taming Recurring Concept Drift in Online Time Series Forecasting [58.448663215248565]
  継続的進化プール(Continuous Evolution Pool, CEP)は、異なる概念の予測器のインスタンスを格納するプール機構である。 CEPは、様々な概念の知識を効果的に保持する。 オンライン予測と繰り返し概念のシナリオでは,CEPは予測結果を著しく向上させる。
  論文  参考訳（メタデータ） (2025-05-28T03:27:49Z)
• Adaptive Test-Time Intervention for Concept Bottleneck Models [6.31833744906105]
  概念ボトルネックモデル(CBM)は、人間レベルの「概念」を予測することによってモデルの解釈可能性を改善することを目的としている 我々は,2成分蒸留(BD)を得るためにFIGS(Fast Interpretable Greedy Sum-Trees)を提案する。 FIGS-BDは、CBMのバイナリ拡張されたコンセプト・トゥ・ターゲット部分を解釈可能なツリーベースモデルに蒸留する。
  論文  参考訳（メタデータ） (2025-03-09T19:03:48Z)
• 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 Generalizable and Interpretable Motion Prediction: A Deep Variational Bayes Approach [54.429396802848224]
  本稿では,分布外ケースに対する頑健な一般化性を有する動き予測のための解釈可能な生成モデルを提案する。 このモデルでは, 長期目的地の空間分布を推定することにより, 目標駆動動作予測を実現する。 動き予測データセットの実験は、適合したモデルが解釈可能で一般化可能であることを検証した。
  論文  参考訳（メタデータ） (2024-03-10T04:16:04Z)
• Do Concept Bottleneck Models Respect Localities? [14.77558378567965]
  概念に基づく説明可能性法は、人間の理解可能な仲介者を用いて機械学習モデルの説明を生成する。 我々は、概念予測者が「関連」機能を利用して予測を行うかどうかを評価する。 概念予測器は必ずしも明確な概念を区別できないため、実際には多くの概念ベースモデルは局所性を尊重しない。
  論文  参考訳（メタデータ） (2024-01-02T16:05:23Z)

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。