基于原型的可解释神经网络及其面向地理空间学习任务的通道特定推理
机器学习
2026-02-03 v1 大气与海洋物理
摘要
可解释人工智能 (XAI) 对理解机器学习 (ML) 决策过程并确保科学应用中的模型可信度至关重要。原型基于 XAI 方法为内在可解释的替代方案，相较于后处理方法（后者常产生不一致的解释）。原型基于 XAI 方法依据输入与学习的原型之间的相似性进行预测，这些原型代表了目标类别的典型特征。然而，现有原型模型主要为标准 RGB 图像数据设计，未针对地球科学图像和栅格数据集中常见的、具有变量特定性质的多个通道进行优化。本研究开发了针对多通道地理空间数据的原型 XAI 方法，其中每个通道代表地球科学变量或光谱通道的不同物理环境特征。该方法使模型能够识别来自多个不同训练样本的、针对每个通道的独立原型特征，这些特征单独或组合影响模型预测，同时实现与标准神经网络相当的性能。我们通过两个地球科学案例研究进行方法验证：(1) 使用多变量气候数据对蒙道-儒略振荡阶段进行分类，(2) 从多光谱卫星影像进行土地利用分类。该方法为提供特征在各通道中的相关性解释，产生局部（实例级）和全局（模型级）解释。通过显式将通道原型纳入预测过程，我们讨论了该方法如何增强地球科学学习任务中 ML 模型的透明度和可信度。
引用
@article{arxiv.2602.00331,
title = {Prototype-based Explainable Neural Networks with Channel-specific Reasoning for Geospatial Learning Tasks},
author = {Anushka Narayanan and Karianne J. Bergen},
journal= {arXiv preprint arXiv:2602.00331},
year = {2026}
}
备注
submitted to Environmental Data Science (preprint)