深度学习气候模拟器中的特征重要性
机器学习
2021-08-31 v1
摘要
我们呈现一项使用一类事后局部解释方法即特征重要性方法“理解”气候深度学习（DL）模拟器的研究。具体地，我们考虑一个多输入单输出模拟器，其采用DenseNet编码器–解码器架构，并以先前36个月（经适当滤波的）SST数据训练，预测1、6和9个月提前期的海表温度（SST）年际变化。首先，对单个预测采用特征重要性方法，以时空方式识别在选定地理区域与选定预测提前期对模型预测重要的输入特征。第二步，我们也通过考虑训练样本上重要性热图的聚合，在广义意义上检验特征重要性的行为。我们发现：1）气候模拟器在任何地理位置的预测主要依赖于其周边小邻域；2）预测提前期越长，“重要性”回溯得越远；3）主导阶上，“重要性”的时间衰减与地理位置无关。采用消融实验验证这些发现。从气候动力学视角，这些发现表明在我们所考虑的空间与时间尺度上局部过程占主导而远端遥相关作用可忽略。从网络架构视角，我们发现的输入输出时空关系暗示了潜在的模型改进。我们讨论了方法的进一步扩展，其中部分正于进行中工作中考量。
引用
@article{arxiv.2108.13203,
title = {Feature Importance in a Deep Learning Climate Emulator},
author = {Wei Xu and Xihaier Luo and Yihui Ren and Ji Hwan Park and Shinjae Yoo and Balasubramanya T. Nadiga},
journal= {arXiv preprint arXiv:2108.13203},
year = {2021}
}