Fugu-MT 論文翻訳(概要): Explaining Weather Bulletins via ILP

論文の概要: Explaining Weather Bulletins via ILP

arxiv url: http://arxiv.org/abs/2607.21184v1
Date: Thu, 23 Jul 2026 11:15:02 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-24 18:26:25.380523
Title: Explaining Weather Bulletins via ILP
Title（参考訳）: ILPによる気象ブレットの解説
Abstract要約: この作業は主にFastLAS2フレームワークに基づいている。 OSMER FVGが発行した天気予報を明確にするために、シンプルな解釈可能な仮説を生成することを目的としている。
参考スコア（独自算出の注目度）: 37.62356375819039
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Inductive Logic Programming (ILP) originated within the Logic Programming community in the Nineties as a framework for combining symbolic learning with declarative knowledge representation. Nowadays, mature ILP frameworks exist and they are capable of learning complex, non-monotonic hypotheses, thus broadening both the modeling capabilities and the scope of real-world applications of ILP. This work is primarily based on the FastLAS2 framework and aims to generate simple, interpretable hypotheses to help clarify the weather bulletins issued by OSMER FVG, the Regional Meteorological Observatory of the Italian region of Friuli Venezia-Giulia. In this paper we present a pipeline that, starting from simulated meteorological raw data and from OSMERs' bulletins (used as ground truth), extracts data as ASP facts and generates ILP examples. From such examples an explanatory hypothesis is then inferred via FastLAS2. Such a hypothesis (translated into natural language) explains the weather forecast issued by human experts, and in particular the rationale behind experts' choices of specific symbols in the bulletin pictogram (the symbol-annotated meteorological map of the forecast). The proposed approach is general, not specific to any particular region and it can equally be applied to bulletins from other sources and to different regions.
Abstract（参考訳）: 帰納的論理プログラミング(ILP)は、象徴的学習と宣言的知識表現を結合するフレームワークとして、ナチの論理プログラミングコミュニティ内で生まれた。現在、成熟したILPフレームワークが存在しており、複雑な単調な仮説を学習することができるため、ILPのモデリング能力と実世界の応用範囲が広くなっている。この研究は主にFastLAS2フレームワークに基づいており、イタリアのフリウリ・ヴェネツィア=ジュリア地域気象観測所OSMER FVGが発行した天気予報を解明するために、単純な解釈可能な仮説を作成することを目的としている。本稿では,気象データのシミュレーションから始まり,OSMERの掲示板から(地上事実として使用される)ASPの事実としてデータを抽出し,ILPの例を生成するパイプラインを提案する。そのような例から説明仮説がFastLAS2を介して推測される。このような仮説(自然言語に翻訳される)は、人間の専門家が発行した天気予報、特に、掲示板のピクトグラム(予報の記号付き気象図)における特定の記号の選択の背後にある理論的根拠を説明する。提案手法は一般には特定の領域に特化せず、他のソースや異なる領域の掲示板にも等しく適用可能である。

関連論文リスト

Using LLMs for Explainable, Data-Driven Insight Generation from Time Series [1.4656201740804355]
時系列予測のための接地型自然言語説明生成のためのドメインに依存しないフレームワークを提案する。このフレームワークは, (i) 歴史的アナリストによる説明書からの構造化説明因子の抽出, (ii) 証拠条件による説明生成, (iii) 可読性, 論理的整合性, 説得性に関するスケーラブルな評価の3つの構成要素から構成される。
論文参考訳（メタデータ） (2026-06-04T21:20:24Z)
Physics-Guided Counterfactual Explanations for Large-Scale Multivariate Time Series: Application in Scalable and Interpretable SEP Event Prediction [0.0]
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。
論文参考訳（メタデータ） (2026-01-13T21:48:51Z)
A Modular LLM-Agent System for Transparent Multi-Parameter Weather Interpretation [3.0354231393746685]
本稿では,AI-Meteorologistについて紹介する。AI-Meteorologistは,生の数値予測を科学的に基礎づけた物語レポートに変換する,説明可能なLCMエージェントフレームワークである。本研究は,高密度表や非構造時系列として提示される従来の予測出力とは異なり,複数の気象変数にまたがるエージェントベース解析を行う。我々は、AI-気象学者が気象イベントだけでなく、その下にある大気中のドライバーをいかに伝えるかを示す。
論文参考訳（メタデータ） (2025-11-28T22:24:40Z)
Hierarchical AI-Meteorologist: LLM-Agent System for Multi-Scale and Explainable Weather Forecast Reporting [3.0354231393746685]
階層型AI-気象学者は、階層型予測推論と天気キーワード生成を用いて説明可能な天気予報を生成する。本フレームワークは,時間,6時間,日毎の多段階的推論を行い,短期的動態と長期的傾向の両方を捉える。
論文参考訳（メタデータ） (2025-11-28T17:27:06Z)
Empowering LLM Agents with Geospatial Awareness: Toward Grounded Reasoning for Wildfire Response [9.801192259936888]
既存の統計的アプローチは意味的な文脈を欠くことが多く、イベント全体にわたって一般化し、限定的な解釈性を提供する。地空間認識層(Geospatial Awareness Layer, GAL)を導入し, LLMエージェントを地球構造データに固定する。 GALは、外部ジオデータベースからインフラストラクチャ、人口統計、地形、気象情報を自動的に取得し、統合する。このリッチなコンテキストにより、エージェントはエビデンスベースのリソース割り当てレコメンデーションを作成することができる。
論文参考訳（メタデータ） (2025-10-14T01:59:02Z)
Zephyrus: An Agentic Framework for Weather Science [47.611521052984365]
気象学の基礎モデルは、大量の構造化された数値データと従来の天気予報システムより優れた性能で事前訓練されている。大規模言語モデル(LLM)は、テキストの理解と生成に優れるが、高次元の気象データセットを推論することはできない。気象学の新しいエージェント・フレームワークを構築することで、このギャップを埋める。我々は、気象データセットを反復的に分析し、結果を観察し、会話フィードバックループを通じてアプローチを洗練するマルチターンLCMベースの気象エージェントであるZephyrusを設計する。
論文参考訳（メタデータ） (2025-10-05T03:34:08Z)
Exploring Multimodal AI Reasoning for Meteorological Forecasting from Skew-T Diagrams [4.036372578802888]
VLM(Vision-Language Models)は、他の科学領域でも有望であるが、気象図解釈への応用はほとんど未発見である。我々は,スキューT図を小型言語モデル (LM) と人間の予測器をエミュレートする小型VLMを用いた軽量AIアシスタントを提案する。
論文参考訳（メタデータ） (2025-08-17T01:36:31Z)
Language Agents Meet Causality -- Bridging LLMs and Causal World Models [50.79984529172807]
因果表現学習を大規模言語モデルと統合する枠組みを提案する。このフレームワークは、自然言語表現に関連付けられた因果変数を持つ因果世界モデルを学ぶ。本研究では,時間的スケールと環境の複雑さを考慮した因果推論と計画課題の枠組みを評価する。
論文参考訳（メタデータ） (2024-10-25T18:36:37Z)
Towards an end-to-end artificial intelligence driven global weather forecasting system [57.5191940978886]
我々は,地球規模の気象変動に対するAIに基づくデータ同化モデル,すなわちAdasを提案する。我々は,アダスが地球観測を同化して高品質な分析を行い,長期にわたって安定して運用できることを実証した。この手法を現実のシナリオに適用するのは,私たちが初めてです。
論文参考訳（メタデータ） (2023-12-18T09:05:28Z)
Exploring the Application of Large-scale Pre-trained Models on Adverse Weather Removal [97.53040662243768]
ネットワークが異なる気象条件を適応的に処理できるようにするために,CLIP埋め込みモジュールを提案する。このモジュールは、CLIP画像エンコーダによって抽出されたサンプル特定気象と、パラメータセットによって学習された分布特定情報を統合する。
論文参考訳（メタデータ） (2023-06-15T10:06:13Z)
Federated Prompt Learning for Weather Foundation Models on Devices [37.88417074427373]
天気予報のためのデバイス上のインテリジェンスでは、ローカルなディープラーニングモデルを使用して、集中型クラウドコンピューティングなしで気象パターンを分析する。本稿では,FedPoD(Federated Prompt Learning for Weather Foundation Models on Devices)を提案する。 FedPoDは、通信効率を維持しながら、高度にカスタマイズされたモデルを得ることができる。
論文参考訳（メタデータ） (2023-05-23T16:59:20Z)
TempSAL -- Uncovering Temporal Information for Deep Saliency Prediction [64.63645677568384]
本稿では,逐次時間間隔でサリエンシマップを出力する新たなサリエンシ予測モデルを提案する。提案手法は,学習した時間マップを組み合わせることで,サリエンシ予測を局所的に調整する。私たちのコードはGitHubで公開されます。
論文参考訳（メタデータ） (2023-01-05T22:10:16Z)

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。