生成敵対的ネットワークの適用が、説明可能な人工知能を用いた河川におけるクロロフィルa濃度予測のための深層学習モデルのパフォーマンスに及ぼす影響の解釈

科学分野:

• 環境科学
• 人工知能
• 水質管理

背景:

• 藻類ブルーム予測は水質管理にとって不可欠です。
• データ駆動型モデル、特に深層学習は有望ですが、広範で高品質なデータが必要です。
• 実世界の環境データの収集は、しばしば高価で時間がかかります。

研究 の 目的:

• 時系列生成敵対ネットワーク（GAN）によって生成された合成データが、藻類ブルーム予測のための長期短期記憶（LSTM）ネットワークのパフォーマンスに及ぼす影響を調査すること。
• 実データのみで学習したモデル（LSTM_REAL）と、知識蒸留を介してGAN生成データを取り込んだモデル（LSTM_GAN）を比較すること。
• 異なる入力シーケンス長がモデルパフォーマンスに及ぼす影響を評価すること。

主な方法:

• 時系列GANを使用して合成データを生成しました。
• 時系列予測のために長期短期記憶（LSTM）ネットワークを利用しました。
• 2つのシナリオを比較しました：LSTM_REAL（実データのみ）とLSTM_GAN（実データ+GANデータ）。
• 3から18までの入力シーケンス長を分析しました。
• Shapley値分析を適用して、GAN生成データの重要性を定量化しました。

主要な成果:

• シーケンス長6のLSTM_GANモデルが最高のパフォーマンスを達成しました（NSE 0.802）。
• パフォーマンスはシーケンス長によって異なりました。LSTM_GANは、長さ3-12ではLSTM_REALよりも改善を示しましたが、長さ15-18では低下しました。
• Shapley値分析により、GAN生成データが変数重要度に14.5%-24.3%寄与し、モデル推論への影響を示しました。
• GANデータの全体的なパフォーマンスへの影響はわずかでしたが、モデル理解への貢献は顕著でした。

結論:

• 生成敵対ネットワーク（GAN）アルゴリズムは、貴重な合成データを提供することにより、藻類ブルーム予測モデルを強化する可能性を秘めています。
• GAN生成データは、全体的なパフォーマンスの向上はわずかであっても、深層学習モデルの内部推論プロセスに意味のある影響を与えることができます。
• 高度なAIによる水質管理の向上のためには、GANデータの統合とシーケンス長の選択の最適化に関するさらなる研究が保証されます。