論文の概要: SAE-Xplainers: Rule-Based Feature Interpretation for Extreme Earth Events
- arxiv url: http://arxiv.org/abs/2608.20117v1
- Date: Thu, 20 Aug 2026 14:49:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-21 20:28:51.612063
- Title: SAE-Xplainers: Rule-Based Feature Interpretation for Extreme Earth Events
- Title（参考訳）: SAE-XPlainers: 極端地球事象の規則に基づく特徴解釈
- Abstract要約: 大規模気象気候(W&C)データセットは、極端な地球イベント(ExEE)をモデリングするための新たな機会を提供する
運用環境におけるそれらの採用は、モデルの解釈可能性の欠如によって制限されている。
i) 環境パターンの局所的意味を捉えるためにスパースオートエンコーダ(SAE)の入力の地理的な位置に基づく変調を導入し, (ii) 複雑なマルチモーダル環境予測器から得られる高次元特徴を解釈するためにルールベースのSAE-Xプレーンのアンサンブルを導入する。
- 参考スコア（独自算出の注目度）: 27.512209212824757
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The emergence of large-scale Weather and Climate (W&C) datasets offers new opportunities for modeling extreme Earth events (ExEE) and their impacts using deep learning. However, their adoption in operational settings remains limited by the lack of models' interpretability. While for conventional text and image modalities, tools such as Sparse Autoencoders (SAEs) have proven effective for extracting human-understandable concepts, their use for the analysis of ExEE remains challenging due to the nature of W&C data. To address this, we introduce (i) a geographic location-based modulation of the inputs of SAE to capture the local semantic meaning of environmental patterns, and (ii) an ensemble of rule-based SAE-Xplainers to interpret the resulting high-dimensional features derived from complex, multi-modal environmental predictors. We evaluate our method on three ExEE types: the prediction of fires, and the detection of tropical cyclones and atmospheric rivers. We show that SAE input modulation improves both reconstruction performance and feature utilization, and that our SAE-Xplainers enable faithful interpretation of complex climatic patterns by unfolding them into human-understandable rules that are consistent with the scientific literature, while also supporting the identification of feature absorption.
- Abstract（参考訳）: 大規模気象気候(W&C)データセットの出現は、極端地球イベント(ExEE)とその深層学習による影響をモデリングする新たな機会を提供する。
しかし、それらの運用環境への導入は、モデルの解釈可能性の欠如によって制限されている。
従来のテキストや画像のモダリティでは、スパースオートエンコーダ(SAE)のようなツールが人間の理解できない概念を抽出するのに有効であることが証明されているが、W&Cデータの性質からExEEの分析には依然として困難である。
この問題に対処するため、紹介する。
一 環境パターンの局所的意味を捉えるため、SAEの入力の地理的な位置に基づく変調
(II)複雑なマルチモーダル環境予測器から得られる高次元特徴を解釈するための規則に基づくSAE-Xプレーンのアンサンブル。
火災予知,熱帯低気圧,大気河川の3種類のExEEタイプについて検討した。
SAEの入力変調は, 再現性能と特徴利用の両面で向上し, SAE-XPlainerは, 複雑な気候パターンの忠実な解釈を可能にするとともに, 特徴吸収の同定を支援するとともに, 科学的文献と整合した人間の理解可能なルールに展開することで, 複雑な気候パターンの忠実な解釈を可能にすることを示す。
関連論文リスト
- Probing Geospatial SSL Representations with Environmental Signals [51.908606610432194]
自己教師付き学習(SSL)は、単一のタスクに最適化された表現ではなく、汎用的で転送可能な表現を学ぶように設計されている。
SSL表現は、イメージングプロセスと共変する環境変数との統計的関連を保存しているか?
この問題に対処するために、我々は、物理的に一貫した環境変数のグローバルデータセットである共配置ERA5再解析変数を用いてSSL表現を探索する。
論文 参考訳（メタデータ） (2026-07-06T15:24:25Z) - The Rate-Distortion-Polysemanticity Tradeoff in SAEs [24.387030280550732]
本稿では,SAEにおけるレート・ディストーション・ポリセマンティリティのトレードオフについて紹介する。
SAEを単意味に制限することは、必ずしも速度と歪みが増大することを示している。
我々は,ポリセマンティリティ尺度が満たすべき必要条件を導出することにより,実世界の設定まで分析を拡張した。
論文 参考訳（メタデータ） (2026-05-14T11:10:52Z) - Earth-o1: A Grid-free Observation-native Atmospheric World Model [81.55899748753434]
我々は、構造的制約を克服する観測ネイティブな大気圏モデルであるEarth-o1を提示する。
多様なセンサー入力を統一されたグリッドフリーな力学場に統合することにより、モデルは空間と時間の大気状態を自律的に前進させる。
本稿では,このパラダイムにより,明示的な数値解法のオーバーヘッドを伴わずに,直接的,リアルタイムな予測とクロスセンサ推論が可能となることを示す。
論文 参考訳（メタデータ） (2026-05-07T14:27:48Z) - Toward generative machine learning for boosting ensembles of climate simulations [0.0]
気候シミュレーションの限られたサンプルに基づいて学習した条件付き変分オートエンコーダ(cVAE)を開発し,任意の大規模なアンサンブルを生成する。
cVAEモデルはデータの基盤となる分布を学習し、現実的な低モーメントと高モーメントの統計を再現する物理的に一貫したサンプルを生成する。
論文 参考訳（メタデータ） (2026-02-06T00:54:19Z) - DAWP: A framework for global observation forecasting via Data Assimilation and Weather Prediction in satellite observation space [60.729377189859]
完全な観測空間でAIWPを動作させるためのDAWPフレームワークを提案する。
AIDAモジュールは、不規則な衛星観測トークンを同化するためにマスク多モードオートエンコーダを適用している。
我々はAIDAがAIWPのロールアウトと効率を大幅に改善し、地球規模の降水分解予測に適用できる有望な可能性を秘めていることを示す。
論文 参考訳（メタデータ） (2025-10-13T03:13:35Z) - Knowledge-Guided Adaptive Mixture of Experts for Precipitation Prediction [9.508961267296579]
本稿では,降水率予測に適した適応混合専門家モデル(MoE)を提案する。
モデル内の各専門家は、特定のモダリティまたは降水時間パターンを専門とする。
対話型Webベースの可視化ツールを導入し、ユーザーは時間と空間を通じて、過去の気象パターンを直感的に探索できる。
論文 参考訳（メタデータ） (2025-09-14T22:31:46Z) - Open-set Anomaly Segmentation in Complex Scenarios [88.11076112792992]
本稿では,複雑なシナリオにおけるオープンセット異常セグメンテーションのベンチマークであるComsAmyを紹介する。
ComsAmyは、幅広い悪天候、動的な運転環境、様々な異常タイプを含む。
本稿では,エネルギーとエントロピーの相補的情報を統合する新しいエネルギ-エントロピー学習(EEL)戦略を提案する。
論文 参考訳（メタデータ） (2025-04-28T12:00:10Z) - Leveraging Land Cover Priors for Isoprene Emission Super-Resolution [15.868193361155656]
本研究は,BVOCエミッションマップの精錬に費用効率の高いデータ駆動型アプローチを提供することにより,大気化学と気候モデリングに寄与する。
提案手法は,衛星による排出データの利用性を高め,大気質予測,気候影響評価,環境研究への応用を支援する。
論文 参考訳（メタデータ） (2025-03-24T13:23:46Z) - Towards Causal Representations of Climate Model Data [18.82507552857727]
この研究は因果表現学習の可能性、特に単一パーセンシャル・デコーディング(CDSD)法によるemphCausal Discoveryの可能性を掘り下げるものである。
以上の結果から,CDSDをより解釈可能で堅牢な気候モデルエミュレーションへのステップストーンとして使用するという課題,限界,約束が明らかになった。
論文 参考訳（メタデータ） (2023-12-05T16:13:34Z) - FREE: The Foundational Semantic Recognition for Modeling Environmental Ecosystems [56.0640340392818]
我々は、様々な特徴と利用可能な情報を使ってユニバーサルモデルを訓練するフレームワーク、FREEを導入する。
その中核となる考え方は、利用可能な環境データをテキスト空間にマッピングし、環境科学における従来の予測モデリングタスクを意味認識問題に変換することである。
河川水温予測と収穫量予測という2つの社会学的に重要な実世界の応用に対する評価は、FREEが複数のベースラインよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-11-17T00:53:09Z) - Conditioned Human Trajectory Prediction using Iterative Attention Blocks [70.36888514074022]
本研究では,都市環境における歩行者位置予測を目的とした,簡易かつ効果的な歩行者軌道予測モデルを提案する。
我々のモデルは、複数のアテンションブロックとトランスフォーマーを反復的に実行できるニューラルネットワークアーキテクチャである。
ソーシャルマスク, 動的モデル, ソーシャルプーリング層, 複雑なグラフのような構造を明示的に導入することなく, SoTAモデルと同等の結果が得られることを示す。
論文 参考訳（メタデータ） (2022-06-29T07:49:48Z)
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。