論文の概要: Sensitivity Fidelity Reveals Physical Dependencies Beyond Forecast Accuracy in Deep-Learning Earth-System Models
- arxiv url: http://arxiv.org/abs/2610.15540v1
- Date: Sun, 11 Oct 2026 11:29:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-19 18:04:25.652682
- Title: Sensitivity Fidelity Reveals Physical Dependencies Beyond Forecast Accuracy in Deep-Learning Earth-System Models
- Title（参考訳）: 深層学習地球系モデルにおける予測精度以外の物理的依存性を知覚する感度忠実度
- Abstract要約: 深層学習モデルは、地球系予測において数値シミュレーションと競合する傾向にある。
予測エラーだけでは、学習したインプット・アウトプットの依存関係が物理的に一貫性があるかどうかを判断できない。
予測誤差とともに、入力摂動に対するモデル応答を信頼された参照や確立された物理知識に対して検討すべきである。
- 参考スコア（独自算出の注目度）: 5.638677428932297
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep-learning models increasingly rival numerical simulation in Earth-system forecasting, yet forecast error alone cannot determine whether their learned input-output dependencies are physically consistent. Here we introduce sensitivity fidelity as an additional criterion: alongside prediction error, model responses to input perturbations should be examined against a trusted reference or established physical knowledge. In an idealized Rayleigh-Bénard convection benchmark, four surrogate architectures achieved low forecast errors yet encoded markedly different sensitivities. Quantitative comparison with a matched adjoint distinguished the models far more sharply than forecast accuracy and showed that predictive skill and sensitivity fidelity need not coincide, while finite-perturbation experiments further linked these differences to the propagation of initial-condition uncertainty. We then applied this strategy to El Niño-Southern Oscillation prediction, where no adjoint reference exists and learned sensitivities showed event-wise robustness, validity under finite perturbations, and consistency with established precursors. These results identify gradient-based evaluation as a discriminating complement to forecast-error metrics, providing a practical test of whether data-driven Earth-system models learn physically credible dependencies.
- Abstract（参考訳）: 深層学習モデルは、地球系予測において数値シミュレーションと相反する傾向にあるが、予測誤差だけでは、学習された入出力依存が物理的に一貫したものであるかどうかを判断できない。
ここでは、予測誤差とともに、入力摂動に対するモデル応答を信頼された参照や確立された物理知識に対して検討する。
理想化されたレイリー・ベナード対流のベンチマークでは、4つのサロゲートアーキテクチャは低い予測誤差を達成したが、明らかに異なる感度を符号化した。
一致した随伴体との定量的比較により,予測精度よりもはるかに高い精度でモデルが識別され,予測スキルと感度の忠実度は一致せず,有限摂動実験によりこれらの差が初期条件の不確実性の伝播とさらに関連していることが示された。
この戦略をエルニーニョ・南方振動予測に適用し, 随伴参照は存在せず, 学習感度は事象的堅牢性, 有限摂動下での妥当性, 確立した前駆体との整合性を示した。
これらの結果は,データ駆動型地球系モデルが物理的に信頼できる依存関係を学習するかどうかの実践的なテストを提供するために,予測エラーの指標を識別する指標として勾配に基づく評価を識別する。
関連論文リスト
- An Isotropic Approach to Efficient Uncertainty Quantification with Gradient Norms [7.439615448864818]
本稿では,ニューラルネットワークの予測不確実性を定量化する軽量な手法を提案する。
予測の勾配における不確実性を表現する一階テイラー展開とパラメータ共分散に関する等方性仮定の2つの近似を用いる。
次に,各不確実性型が解答正解の予測に有用であるかどうかを,大言語モデルを用いて検討する。
論文 参考訳（メタデータ） (2026-03-31T09:13:09Z) - Bridging the Gap Between Bayesian Deep Learning and Ensemble Weather Forecasts [100.26854618129039]
天気予報は、大気のカオス的な性質によって根本的に挑戦されている。
ベイジアンディープラーニング(BDL)の最近の進歩は、有望だがしばしば非接続な代替手段を提供する。
気象予報のための統合型BDLフレームワークにより,これらのパラダイムを橋渡しする。
論文 参考訳（メタデータ） (2025-11-18T07:49:52Z) - ConfEviSurrogate: A Conformalized Evidential Surrogate Model for Uncertainty Quantification [19.44456342675541]
サーロゲートモデル(英: Surrogate model)とは、シミュレーションノイズからモデル予測エラーまで、複雑なシミュレーションデータを科学的に近似するために不可欠なモデルである。
ConfEviSurrogateは,高次明細分布を効率よく学習できる新しいコンフォーマル化証拠サロゲートモデルである。
我々のモデルは、宇宙論、海洋力学、流体力学を含む様々なシミュレーションにおいて、正確な予測と頑健な不確実性推定を示す。
論文 参考訳（メタデータ） (2025-04-03T15:44:14Z) - Evidential Deep Learning: Enhancing Predictive Uncertainty Estimation
for Earth System Science Applications [0.32302664881848275]
エビデンシャル・ディープ・ラーニング(Evidential Deep Learning)は、パラメトリック・ディープ・ラーニングを高次分布に拡張する手法である。
本研究では,明らかなニューラルネットワークから得られる不確実性とアンサンブルから得られる不確実性を比較する。
本研究では,従来の手法に匹敵する予測精度を実現するとともに,両方の不確実性源をしっかりと定量化しながら,明らかな深層学習モデルを示す。
論文 参考訳（メタデータ） (2023-09-22T23:04:51Z) - Learning Sample Difficulty from Pre-trained Models for Reliable
Prediction [55.77136037458667]
本稿では,大規模事前学習モデルを用いて,サンプル難易度を考慮したエントロピー正規化による下流モデルトレーニングを指導する。
我々は、挑戦的なベンチマークで精度と不確実性の校正を同時に改善する。
論文 参考訳（メタデータ） (2023-04-20T07:29:23Z) - The Implicit Delta Method [61.36121543728134]
本稿では,不確実性のトレーニング損失を無限に正規化することで機能する,暗黙のデルタ法を提案する。
有限差分により無限小変化が近似された場合でも, 正則化による評価の変化は評価推定器の分散に一定であることを示す。
論文 参考訳（メタデータ） (2022-11-11T19:34:17Z) - Reliability-Aware Prediction via Uncertainty Learning for Person Image
Retrieval [51.83967175585896]
UALは、データ不確実性とモデル不確実性を同時に考慮し、信頼性に配慮した予測を提供することを目的としている。
データ不確実性はサンプル固有のノイズを捕捉する」一方、モデル不確実性はサンプルの予測に対するモデルの信頼を表現している。
論文 参考訳（メタデータ） (2022-10-24T17:53:20Z) - Evaluation of Machine Learning Techniques for Forecast Uncertainty
Quantification [0.13999481573773068]
アンサンブル予測は、これまでのところ、関連する予測を生成するための最も成功したアプローチであり、その不確実性を見積もっている。
アンサンブル予測の主な制限は、高い計算コストと異なる不確実性の源を捕捉し定量化することの難しさである。
本研究は,1つの決定論的予測のみを入力として,システムの修正状態と状態不確かさを予測するために訓練されたANNの性能を評価するための概念モデル実験である。
論文 参考訳（メタデータ） (2021-11-29T16:52:17Z) - Dense Uncertainty Estimation [62.23555922631451]
本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。
本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
論文 参考訳（メタデータ） (2021-10-13T01:23:48Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳（メタデータ） (2020-06-26T13:50:19Z)
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。