論文の概要: Mechanistic Interpretability of Atmospheric Rivers in GraphCast

• arxiv url: http://arxiv.org/abs/2610.07583v1
• Date: Tue, 06 Oct 2026 01:22:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.743347
• Title: Mechanistic Interpretability of Atmospheric Rivers in GraphCast
• Title（参考訳）: グラフセンターにおける大気河川の力学的解釈可能性
• Abstract要約: GraphCastでスパースオートエンコーダ(SAE)をトレーニングして、学習した概念を明らかにします。 標準およびマトリオシカSAEは、安定な内部変数として、GraphCastが大気中の河川強度を計算していることを示している。 このメソッドは、内部変数を見つけて、モデルが実際に依存している変数を判断する方法を提供する。
• 参考スコア（独自算出の注目度）: 11.452447222557998
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: While AI weather models now rival operational forecasts, how they represent the atmosphere internally remains an open question: feature attribution reveals which input patterns matter, not what the model computes or how it combines information internally. We train sparse autoencoders (SAEs) on GraphCast to uncover its learned concepts, using atmospheric rivers as our phenomenon of focus. Both standard and Matryoshka SAEs show GraphCast computes atmospheric river intensity, measured by integrated vapor transport (IVT), as a stable internal variable, despite IVT being neither an input nor a target. In contrast to the unstructured concept retrieval of the standard SAE, the Matryoshka SAE orders concepts by importance and exposes their relations. Atmospheric river concepts persist across depth and direct interventions confirm causality. This method offers a way to find internal variables and determine which of them the model actually relies on, which is a prerequisite for asking whether those variables remain meaningful as the phenomenon changes under a warming climate.
• Abstract（参考訳）: AI天気モデルは今や運用予測に匹敵するが、それらが内部でどのように大気を表現するかは、未解決の問題である。 GraphCastでスパースオートエンコーダ(SAE)をトレーニングし、大気中の川を焦点とする学習概念を明らかにする。 標準およびマトリオシカSAEは、入力でも目標でもないにもかかわらず、安定な内部変数として、統合蒸気輸送(IVT)によって測定された大気中の河川強度をグラフCastで計算している。 標準SAEの非構造的な概念検索とは対照的に、SAEマトリオシカは概念を重要視し、それらの関係を明らかにする。 大気の川の概念は深度を越えて継続し、直接的な介入によって因果関係が確認される。 この方法では、内部変数を探し出し、モデルが実際に依存している変数を判断する方法を提供する。

関連論文リスト

• BridgeCast: Bridging Ocean Wave Forecasts to Reanalysis via Flow Matching with Exogenous Variables [24.478082563835226]
  BridgeCastは、偏見補正のための物理AIフレームワークのハイブリッドである。 物理モデル予測をリアナリシスのような分野に変換することを学ぶ。
  論文  参考訳（メタデータ） (2026-09-27T00:43:54Z)
• VeinCast: Physics-Guided Dynamic Field Graphs with Graph-Conditioned Fusion for Global Medium-Range Weather Forecasting [24.077745367576114]
  VeinCastは物理学誘導の動的場グラフとグラフ条件の融合フレームワークで、69面と上面の場を共同で予測する。 1.5円のERA5ベンチマークで、VeinCast氏は、最大14日間のリードタイムで69の気象分野すべてにわたって、競争力のある予測性能を示す。
  論文  参考訳（メタデータ） (2026-08-10T08:39:52Z)
• The physics of AI weather models [0.0]
  アーキテクチャとキャパシティの違いにもかかわらず、異なるAI天気モデルが同様の方法で大気を表すことを示す。 本研究では,各メッシュ点における潜時変数が高次元潜時空間における粒子の位置に対応する大気の粒子記述を実装したモデルを提案する。
  論文  参考訳（メタデータ） (2026-05-22T15:43:56Z)
• Earth System Foundation Model (ESFM): A unified framework for heterogeneous data integration and forecasting [52.53742727060265]
  地球系の基礎モデル(FM)は、大量のデータセットにわたる物理変数間の統計的関係を学習する。 本稿では,アース・システム・ファンデーション・モデル(ESFM)について紹介する。 本研究では,高密度グリッドデータ (ERA5, CMIP6) , 地域密集データ, 疎グリッドMODIS衛星データ, 局データを用いた。 結果は、最先端のベンチマークと比較して、競争力や優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-04-20T11:40:39Z)
• Target Concept Tuning Improves Extreme Weather Forecasting [51.43578341469291]
  気象予報のための深層学習モデルは、台風のような珍しいが高影響の出来事でしばしば失敗する。 既存の微調整手法は、これらの極端な出来事を見落とし、全体的なパフォーマンスを犠牲にしてそれらを過度に適合させるというトレードオフに直面します。 モデルの改良によって上記の問題を解決するための,解釈可能な概念付き微調整フレームワークであるTaCTを提案する。
  論文  参考訳（メタデータ） (2026-03-17T15:34:05Z)
• 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)
• Temporal Concept Dynamics in Diffusion Models via Prompt-Conditioned Interventions [70.87254264798341]
  PCIは、拡散時間を通して概念力学を解析するためのトレーニング不要でモデルに依存しないフレームワークである。 拡散モデルにまたがる様々な時間的挙動を明らかにしており、同じ概念タイプであっても、軌道の特定の位相は特定の概念に好適である。
  論文  参考訳（メタデータ） (2025-12-09T11:05:08Z)
• ClimaX: A foundation model for weather and climate [51.208269971019504]
  ClimaXは気象と気候科学のディープラーニングモデルである。 気候データセットの自己教師型学習目標で事前トレーニングすることができる。 気候や気候の様々な問題に対処するために、微調整が可能である。
  論文  参考訳（メタデータ） (2023-01-24T23:19:01Z)
• 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。