要旨: 気象予測のための深層学習モデルは、台風のような珍しくも影響が大きい事象において、関連データが不足しているため、しばしば失敗します。既存のファインチューニング手法は、これらの極端な事象を見落とすことと、それらに過剰適合させて全体の性能を犠牲にすることとの間で、典型的なトレードオフに直面します。私たちは TaCT を提案します。解釈可能な概念ゲート付きファインチューニングフレームワークで、前述の問題を、失敗ケースに対してのみ選択的にモデルを改善することによって解決します。一般的なシナリオでの性能を維持しつつ、失敗ケースに対してモデルを適応させます。これを実現するために、TaCT は Sparse Autoencoders と反事実分析を用いて失敗に関連する内部概念を自動的に検出し、対応する概念が活性化された場合にのみパラメータを更新します。均一な適応を適用するのではありません。実験は、他の気象変数を悪化させることなく、地域を問わず台風予測の一貫した改善を示しています。特定された概念は、物理的に意味のある循環パターンに対応しており、モデルの偏りを明らかにし、科学的予測タスクにおける信頼性の高い適応を支持します。コードは https://anonymous.4open.science/r/Concept-Gated-Fine-tune-62AC で公開されています。
返却形式: {"translated": "翻訳済みのHTML"}
