論文の概要: Context-Aware Concept Distillation for Trustworthy Flood Prediction

• arxiv url: http://arxiv.org/abs/2607.23237v1
• Date: Sat, 25 Jul 2026 14:45:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.035705
• Title: Context-Aware Concept Distillation for Trustworthy Flood Prediction
• Title（参考訳）: 信頼できる洪水予測のための文脈認識概念蒸留
• Abstract要約: 洪水リスク管理は正確な予測に頼っているが、最先端のディープラーニングモデルの“ブラックボックス”の性質は、高リスクの公衆安全判断における信頼性と説明責任の障壁を生み出している。 本研究では,不透明なLSTMを解釈可能・水文認識サロゲートモデルに蒸留するために,ドメインエキスパートと共同で開発されたフレームワークであるCACDを提案する。
• 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: Effective flood risk management relies on accurate forecasting, yet the "black box" nature of stateof-the-art Deep Learning models creates a barrier to trust and accountability in high-stakes public safety decisions. While existing Explainable AI (XAI) methods offer local attributions, they fail to provide the verifiable, operationally meaningful causal narratives required by disaster response authorities. To address this societal challenge, we propose Context-Aware Concept Distillation (CACD), a framework developed in collaboration with domain experts to distill opaque LSTMs into interpretable, hydrology-aware surrogate models. We introduce an unsupervised pipeline to discover a "Hydrological Language" and a Residual Hypernetwork that dynamically modulates these concepts based on static basin characteristics. Evaluated on 5,203 basins globally, our model achieves high fidelity (Median NSE 0.70), significantly outperforming black-box baselines (e.g., Multi Layer Perceptrons) on unseen future data. By demonstrating that human-interpretable concepts are sufficient to reconstruct flood dynamics, this work balances AI accuracy with the transparency required for responsible environmental decision-making.
• Abstract（参考訳）: 効果的な洪水リスク管理は正確な予測に頼っているが、最先端のディープラーニングモデルの"ブラックボックス"の性質は、高リスクの公共安全判断における信頼と説明責任の障壁を生み出している。 既存の説明可能なAI(XAI)メソッドは、ローカルな属性を提供するが、災害対応当局が必要とする検証可能な、運用上意味のある因果関係の物語は提供できない。 この社会的課題に対処するため、我々はドメインエキスパートと共同で開発された文脈認識概念蒸留(CACD)を提案し、不透明LSTMを解釈可能な水文認識サロゲートモデルに蒸留する。 本研究では,静的な流域特性に基づいて動的にこれらの概念を変調する「流体言語」と「残留ハイパーネットワーク」の発見のための教師なしパイプラインを導入する。 グローバルな5,203の流域で評価され、我々のモデルは高忠実度(Median NSE 0.70)を実現し、見えない将来のデータに基づいてブラックボックスベースライン(例:Multi Layer Perceptrons)を著しく上回ります。 人間の解釈可能な概念が洪水力学を再構築するのに十分であることを示すことで、この作業はAIの精度と環境決定の責任を負うために必要な透明性のバランスをとる。

関連論文リスト

• A Responsible Artificial Intelligence Framework for Groundwater Modeling [6.608387434294069]
  本稿では、透明性、技術的堅牢性、プライバシーガバナンス、公正性、説明責任、持続可能性の6つの責任AI原則を提案する。 LSTMとTransformerの時系列モデルは,マルチソース・ハイドロ気象データを用いて開発され,ポストホック解釈性,モンテカルロシミュレーション,シナリオ解析によって検証される。 その結果,Transformer は LSTM の精度,堅牢性,解釈可能性に優れており,気候変動や人的活動下での持続可能な水管理を支援するため,地下水予測における応答性AI 原則の操作性と実用的価値が示されている。
  論文  参考訳（メタデータ） (2026-08-16T09:59:45Z)
• A unified framework for evaluating the robustness of machine-learning interpretability for prospect risking [11.536380479187498]
  本稿では,反ファクトを発生させると同時に,必要と十分性を定量化するための統一的な枠組みを提案する。 これは、LIMEとSHAPが高次元構造的予測リスクデータに対して提供する説明の堅牢性評価を行うことによって行われる。
  論文  参考訳（メタデータ） (2026-02-16T03:32:10Z)
• From Black Box to Insight: Explainable AI for Extreme Event Preparedness [6.583192288853322]
  気候変動が山火事などの極端な出来事の頻度と深刻度を加速するにつれ、正確で説明可能な予測や行動可能な予測の必要性が高まっている。 人工知能(AI)モデルはそのような事象を予測することを約束しているが、現実の意思決定への採用はブラックボックスの性質のために制限されている。 本稿では、予測精度と極端な事象予測のための実用的な洞察とのギャップを埋める上での、説明可能なAI(XAI)の役割について検討する。
  論文  参考訳（メタデータ） (2025-11-17T18:57:15Z)
• Rethinking Data Protection in the (Generative) Artificial Intelligence Era [138.07763415496288]
  現代の(生産的な)AIモデルやシステムに生じる多様な保護ニーズを捉える4段階の分類法を提案する。 当社のフレームワークは、データユーティリティとコントロールのトレードオフに関する構造化された理解を提供し、AIパイプライン全体にわたっています。
  論文  参考訳（メタデータ） (2025-07-03T02:45:51Z)
• AI in a vat: Fundamental limits of efficient world modelling for agent sandboxing and interpretability [84.52205243353761]
  最近の研究は、世界モデルを使用して、AIエージェントをデプロイ前にテストできる制御された仮想環境を生成することを提案する。 評価対象のAIエージェントに非依存な世界モデルを簡単にする方法を検討する。
  論文  参考訳（メタデータ） (2025-04-06T20:35:44Z)
• Identifying Trustworthiness Challenges in Deep Learning Models for Continental-Scale Water Quality Prediction [69.38041171537573]
  水質は環境の持続可能性、生態系の回復力、公衆衛生に基礎を置いている。 ディープラーニングは、大規模な水質予測と科学的洞察生成のための変革的なポテンシャルを提供する。 汚染緩和や資源配分等、高額な運用上の意思決定に広く採用されていることは、未解決の信頼性の課題によって防止されている。
  論文  参考訳（メタデータ） (2025-03-13T01:50:50Z)
• On the Fairness, Diversity and Reliability of Text-to-Image Generative Models [68.62012304574012]
  マルチモーダル生成モデルは 信頼性 公正性 誤用の可能性について 批判的な議論を巻き起こしました 埋め込み空間におけるグローバルおよびローカルな摂動に対する応答を解析し、モデルの信頼性を評価するための評価フレームワークを提案する。 提案手法は, 信頼できない, バイアス注入されたモデルを検出し, 組込みバイアスの証明をトレースするための基礎となる。
  論文  参考訳（メタデータ） (2024-11-21T09:46:55Z)
• CAT: Concept-level backdoor ATtacks for Concept Bottleneck Models [8.236058439213473]
  概念ボトルネックモデル(CBM)は、高レベルな意味情報を活用することで、解釈可能性を改善するための重要なアプローチとして登場した。 CBMはセキュリティ上の脅威、特にモデル動作を隠蔽的に操作できるバックドア攻撃の影響を受けやすい。 CAT(Concept-level Backdoor ATtacks)は,CBM内の概念表現を利用して,トレーニング中にトリガを埋め込む手法である。 強化された攻撃パターンであるCAT+は、最も効果的でステルス的な概念トリガーを体系的に選択する相関関数を組み込んでいる。
  論文  参考訳（メタデータ） (2024-10-07T08:14:17Z)
• Uncertainty Quantification for Forward and Inverse Problems of PDEs via Latent Global Evolution [110.99891169486366]
  本稿では,効率的かつ高精度な不確実性定量化を深層学習に基づく代理モデルに統合する手法を提案する。 本手法は,フォワード問題と逆問題の両方に対して,堅牢かつ効率的な不確実性定量化機能を備えたディープラーニングに基づく代理モデルを提案する。 提案手法は, 長期予測を含むシナリオに適合し, 拡張された自己回帰ロールアウトに対する不確かさの伝播に優れる。
  論文  参考訳（メタデータ） (2024-02-13T11:22:59Z)
• Ring-A-Bell! How Reliable are Concept Removal Methods for Diffusion Models? [52.238883592674696]
  Ring-A-Bellは、T2I拡散モデルのためのモデルに依存しないレッドチームツールである。 これは、不適切なコンテンツの生成に対応する拡散モデルに対する問題的プロンプトを特定する。 この結果から,安全プロンプトベンチマークの操作により,既存の安全メカニズムを回避できると考えられるプロンプトを変換できることが示唆された。
  論文  参考訳（メタデータ） (2023-10-16T02:11:20Z)
• Bayesian Risk-Averse Q-Learning with Streaming Observations [7.330349128557128]
  我々は,学習エージェントが模擬学習環境から学習する,堅牢な強化学習問題を考える。 エージェントの制御外にある実環境からの観測が定期的に到着する。 実環境からのストリーミング観測でBRMDPを解くための多段階ベイズリスク逆Q-ラーニングアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-05-18T20:48:50Z)
• Interpretable Self-Aware Neural Networks for Robust Trajectory Prediction [50.79827516897913]
  本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。 実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-16T06:28:20Z)

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。