ブラックボックスをより透明にする：機械学習の物理的影響を理解する

要旨 本論文は、気象学的応用に焦点を当てた機械学習（ML）モデルの解釈と視覚化（MIV）のための複数の手法を統合します。最近、MLは気象学を含む多くの分野で急速に普及しています。気象学においてMLは成功を収めていますが、主にMLモデルが「ブラックボックス」であるという認識から、広く受け入れられていません。つまり、ML手法は入力を受け取り出力を提供しますが、ユーザーに物理的に解釈可能な情報を提供しないと考えられています。本論文では、気象学者がMLモデルの学習内容を理解できるように、従来のMLと深層学習の両方に対する複数のMIV技術を紹介し、実演します。私たちは、置換に基づく予測子の重要性、前進・後進選択、顕著度マップ、クラス活性化マップ、逆最適化、および新規性検出について議論します。これらの手法をトルネード、雹、冬の降水タイプ、対流性嵐モードなどの複数の時空スケールで適用します。このような多様な応用を分析することで、私たちはこの研究がMLのブラックボックスを解明し、MIV技術の適用に関する洞察を提供し、気象学者や他の物理科学者のためのMIVツールボックスとして機能することを意図しています。