В последнее время усовершенствованные модели машинного обучения достигли высокой точности прогнозирования погоды и климата. Однако этим сложным моделям часто не хватает внутренней прозрачности и интерпретируемости, они действуют как «чёрные ящики», которые препятствуют доверию пользователей и мешают дальнейшему совершенствованию моделей. Интерпретируемые методы машинного обучения стали решающими в повышении достоверности и полезности моделирования погоды и климата. В этой статье рассматриваются текущие подходы интерпретируемого машинного обучения, применяемые к метеорологическим прогнозам. Авторы разделяют методы на две основные парадигмы: (1) Методы постфактумной интерпретируемости, которые объясняют предварительно обученные модели, такие как методы атрибуции на основе возмущений, теории игр и градиентов. (2) Разработка изначально интерпретируемых моделей с нуля с использованием архитектур, таких как ансамбли деревьев и объяснимые нейронные сети. Авторы суммируют, как каждый метод обеспечивает понимание прогнозов, раскрывая новые метеорологические связи, зафиксированные машинным обучением. Также обсуждаются проблемы исследований и предлагаются будущие перспективы в области достижения более глубоких соответствующих физическим принципам механистических интерпретаций, разработки стандартизированных критериев оценки, интеграции интерпретируемости в итеративные рабочие процессы развития моделей и обеспечения объяснимости для крупных фундаментальных моделей.

 

Ссылка: https://www.sciencedirect.com/science/article/abs/pii/S1352231024004722