利用可解释性为基于深度学习的统计降尺度提供超越标准验证方法的信息
机器学习
2023-02-06 v1 机器学习
应用统计
摘要
深度学习（DL）已成为遵循完美预测（PP）方法将大尺度大气场的气候预估降尺度到区域至局地尺度的一种有前景的工具。鉴于其复杂性，正确评估这些方法至关重要，尤其是在应用于变化的气候条件时，其外推/泛化能力是关键。本工作中，我们对从文献中提取的多个 DL 模型在同一个具有挑战性的用例（CORDEX 北美区域的温度降尺度）上进行了相互比较，并基于可解释人工智能（XAI）技术扩展了标准评估方法。我们展示了如何利用这些技术揭示这些模型的内部行为，提供新的评估维度并辅助其诊断与设计。这些结果表明，将 XAI 技术纳入统计降尺度评估框架是有益的，特别是在处理大区域和/或气候变化条件下工作时。
引用
@article{arxiv.2302.01771,
title = {Using Explainability to Inform Statistical Downscaling Based on Deep Learning Beyond Standard Validation Approaches},
author = {Jose González-Abad and Jorge Baño-Medina and José Manuel Gutiérrez},
journal= {arXiv preprint arXiv:2302.01771},
year = {2023}
}
备注
Under review for Journal of Advances in Modeling Earth Systems