WassersteinGrad

WassersteinGrad通过解决归因图位移问题，增强了AI天气预报的可解释性

研究人员开发了WassersteinGrad，一种用于解释动态物理场中神经网络预测的新方法，特别适用于自回归天气预报。现有的基于梯度的方​​法在处理这些复杂数据类型时遇到困难，因为输入扰动会导致归因图产生几何位移，从而导致解释模糊。WassersteinGrad通过计算扰动归因图的熵沃瑟斯坦质心来解决此问题，以实现几何共识，并在区域天气数据上显示出比基线方法更好的可解释性。