論文の概要: Interpretability of AI weather models via intermediate decoding

• arxiv url: http://arxiv.org/abs/2610.24110v1
• Date: Fri, 16 Oct 2026 18:36:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-26 11:00:54.565621
• Title: Interpretability of AI weather models via intermediate decoding
• Title（参考訳）: 中間復号化によるAI気象モデルの解釈可能性
• Abstract要約: 本稿では,AI気象モデルの中間復号化手法を提案する。 中間深度からの潜伏状態は 気象学の分野に戻される これら3つのモデルが, より粗い空間スケールからより細い空間スケールへの予測を段階的に洗練することを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI weather prediction models are often regarded as black boxes. Despite their impressive skill, there is little understanding of how the input data is processed during inference to produce the forecast. This limitation arises from the use of high-dimensional latent representations in which individual dimensions are no longer directly interpretable in physical terms. To gain insight into how forecasts are constructed, we propose the method of intermediate decoding for AI weather models and apply it to GraphCast, Aurora and ArchesWeather. In this approach, latent states from intermediate depths are decoded back into meteorological fields. To do this, we use the decoder that has been trained to output the forecast at the end of processing. Since latent states at different depths do not share a consistent basis, we train affine transformations that align intermediate latent states with the decoder's expected input space. Applying this framework to the three models yields the following results. First, the skill of forecasts at intermediate stages of processing improves gradually through the processor layers. Second, bypassing all processor blocks shows that the encoder-decoder pair is not an identity mapping returning the input, but instead plays a significant role in the forecast construction. Third, by examining increments of individual processor blocks across model depth, we show that all three models progressively refine the forecast from coarse to finer spatial scales. Finally, we assess the physical consistency of the intermediate decoding forecasts and find that large scales remain physically balanced throughout processing, while small scales become more balanced with each additional processor block.
• Abstract（参考訳）: AI天気予報モデルは、しばしばブラックボックスと見なされる。 その印象的なスキルにもかかわらず、予測を生成するために推論中に入力データがどのように処理されるかはほとんど理解されていない。 この制限は、個々の次元がもはや物理的用語で直接解釈できないような高次元の潜在表現を使うことから生じる。 そこで我々は,AI気象モデルの中間復号化手法を提案し,それをGraphCast,Aurora,ArcesWeatherに適用する。 このアプローチでは、中間深度からの潜伏状態が気象場に復号される。 これを実現するために、処理の終了時に予測を出力するためにトレーニングされたデコーダを使用します。 異なる深さの潜伏状態は一貫した基底を持たないので、中間潜伏状態とデコーダの期待する入力空間を整列するアフィン変換を訓練する。 このフレームワークを3つのモデルに適用すると、以下の結果が得られる。 第一に、処理中間段階における予測のスキルは、プロセッサ層を通して徐々に向上する。 第二に、全てのプロセッサブロックをバイパスすると、エンコーダとデコーダのペアは入力を返すアイデンティティマッピングではなく、予測構成において重要な役割を果たす。 第3に、モデル深度をまたいだ個々のプロセッサブロックの増分を調べることにより、3つのモデル全てが、粗い空間スケールからより細い空間スケールへの予測を徐々に洗練することを示す。 最後に、中間復号予測の物理的整合性を評価し、大規模化が処理全体を通して物理的にバランスを保ちながら、小規模化が各プロセッサブロックとよりバランスをとることを確認する。

関連論文リスト

• Mechanistic Interpretability Tool for AI Weather Models [0.0]
  機械的解釈可能性の概念を取り入れた,オープンソースで高度に適応可能なツールを提案する。 このツールはモデルプロセッサから内部の潜伏表現を整理し、初期解析を可能にする。 グラフニューラルネットワークGraphCastにツールを適用することで、中緯度光合成スケール波と特定の湿度に対する予備的ケーススタディを提示する。
  論文  参考訳（メタデータ） (2026-04-22T11:54:09Z)
• Forecasting with Guidance: Representation-Level Supervision for Time Series Forecasting [3.2225633549342088]
  本稿では,任意の予測アーキテクチャにシームレスに統合可能なプラグイン手法であるReGuiderを提案する。 トレーニング中、入力シーケンスは目標予測モデルと事前訓練されたモデルで処理される。 事前訓練されたモデルの出力を直接使用するのではなく、時間的・意味的な情報に富んだ中間埋め込みを抽出し、表現レベルの監視を通じて対象モデルのエンコーダ埋め込みと整合させる。
  論文  参考訳（メタデータ） (2026-03-25T12:54:01Z)
• VFMF: World Modeling by Forecasting Vision Foundation Model Features [67.09340259579761]
  本稿では,視覚基礎モデルの特徴空間における自己回帰フローマッチングを行う生成予測器を提案する。 この潜伏情報の方がPCAベースの代替案よりも効果的であることを示す。 一致したアーキテクチャと計算により、本手法はすべてのモダリティにおける回帰よりもシャープで正確な予測を生成する。
  論文  参考訳（メタデータ） (2025-12-12T02:10:05Z)
• Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
  本稿では,天気予報をトレーニングデータセットを超える微細な時間スケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。 具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。 また、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークも導入する。
  論文  参考訳（メタデータ） (2024-05-22T16:21:02Z)
• Towards Motion Forecasting with Real-World Perception Inputs: Are End-to-End Approaches Competitive? [93.10694819127608]
  実世界の知覚入力を用いた予測手法の統一評価パイプラインを提案する。 我々の詳細な調査では、キュレートされたデータから知覚ベースのデータへ移行する際の大きなパフォーマンスギャップが明らかになりました。
  論文  参考訳（メタデータ） (2023-06-15T17:03:14Z)
• Towards Anytime Classification in Early-Exit Architectures by Enforcing Conditional Monotonicity [5.425028186820756]
  任意のアルゴリズムは、計算予算が動的である環境に適しています。 現在のアーリーエグジットネットワークは、任意の設定に直接適用できないことを示す。 本稿では,製品・オブ・エグゼクティブ(Product-of-Experts)に基づくエレガントなポストホック修正を提案する。
  論文  参考訳（メタデータ） (2023-06-05T07:38:13Z)
• Numerical Weather Forecasting using Convolutional-LSTM with Attention and Context Matcher Mechanisms [10.759556555869798]
  本稿では,高解像度気象データを予測するための新しいディープラーニングアーキテクチャを提案する。 我々の気象モデルは,ベースラインの深層学習モデルと比較して,大幅な性能向上を実現している。
  論文  参考訳（メタデータ） (2021-02-01T08:30:42Z)
• Consistency Guided Scene Flow Estimation [159.24395181068218]
  CGSFは立体映像からの3次元シーン構造と動きの同時再構成のための自己教師型フレームワークである。 提案モデルでは,課題の画像の相違やシーンフローを確実に予測できることを示す。 最先端技術よりも優れた一般化を実現し、目に見えない領域に迅速かつ堅牢に適応する。
  論文  参考訳（メタデータ） (2020-06-19T17:28:07Z)

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。