基于 WassersteinGrad 解释动态物理场预测：应用于自回归天气预报
机器学习
2026-04-27 v1 机器学习
摘要
随着人工智能向高风险领域的深入融合，解释神经网络预测推理过程的需求已从理论好奇转变为严格的实际要求。我们的工作灵感来自对动态物理场（如天气预报）上自回归神经预测的解释。梯度基方法因其对高维输入的可扩展性而广泛用于解释此类数据的预测。值得注意的是，诸如 SmoothGrad 之类的梯度方法现已成为图像解释的标准做法，通过对来自多个加噪输入的解释图进行点态平均来稳健化解释。我们的目标是高效地将这一聚合策略适用于动态物理场。为此，我们首次指出，对动态物理场上的扰动解释图进行平均时存在根本性失效模式：随机输入扰动不会在解释图中诱导平稳幅值噪声，而是导致解释图的几何位移。因此，点态平均会模糊这些空间错位的特征。为解决此问题，我们引入 WassersteinGrad，通过计算扰动解释图的熵 Wasserstein 重心来提取其几何共识。结果显示，在区域天气数据和经气象学家验证的神经模型上，WassersteinGrad 在单步和自回归预测设置下相较于梯度方法基线展现出有前景的解释性能。
关键词
引用
@article{arxiv.2604.22580,
title = {Explanation of Dynamic Physical Field Predictions using WassersteinGrad: Application to Autoregressive Weather Forecasting},
author = {Younes Essafouri and Laure Raynaud and Luciano Drozda and Laurent Risser},
journal= {arXiv preprint arXiv:2604.22580},
year = {2026}
}