OceanCBM：用于海洋预测中机械可解释性的概念瓶颈模型
机器学习
2026-05-14 v1
摘要
极端海洋现象的预测与诊断都具有挑战性，因为准确的预测本身并不揭示潜在物理驱动因素。虽然最近的机器学习方法在预测技能方面取得了良好成绩，但它们大多不透明，且对真实物理的保真度提供有限的保证。我们引入OceanCBM，这是首个用于海洋动力学空间时间预测和机械诊断的概念瓶颈模型（CBM）。OceanCBM 使用混合监督预测混合层热量，后者是海洋热浪的关键前兆，同时通过来自地球物理流体动力学和一个“自由”概念的中间层路由信息。这种设计在不过度约束模型的前提下，施加柔性物理结构，“自由”概念既正规化概念预测，也捕获残余物理过程。我们展示了在不同的 ensemble 初始化条件下，混合监督产生一致的机械表征，而预测-only 和 prescription-only 的基线模型尽管在预测性能相似，却学习出高度可变的潜在结构。OceanCBM 在不牺牲技能的前提下实现可解释的、以物理为导向的表征，显式地表征了可解释性与技能之间的权衡。
引用
@article{arxiv.2605.12639,
title = {OceanCBM: A Concept Bottleneck Model for Mechanistic Interpretability in Ocean Forecasting},
author = {Sanah Suri and Kieran Ringel and Maike Sonnewald},
journal= {arXiv preprint arXiv:2605.12639},
year = {2026}
}
备注
17 pages, 9 figures, 4 tables