論文の概要: Causal Transportability for Visual Recognition

• arxiv url: http://arxiv.org/abs/2204.12363v1
• Date: Tue, 26 Apr 2022 15:02:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-27 13:56:52.907135
• Title: Causal Transportability for Visual Recognition
• Title（参考訳）: 視覚認識のための因果輸送性
• Authors: Chengzhi Mao, Kevin Xia, James Wang, Hao Wang, Junfeng Yang, Elias Bareinboim, Carl Vondrick
• Abstract要約: 画像とラベルの関連性は、設定間では転送できないため、標準分類器がフェールすることを示す。 次に、すべての共起源を摂食する因果効果が、ドメイン間で不変であることを示す。 これにより、画像分類における因果効果を推定するアルゴリズムを開発する動機付けとなる。
• 参考スコア（独自算出の注目度）: 70.13627281087325
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visual representations underlie object recognition tasks, but they often contain both robust and non-robust features. Our main observation is that image classifiers may perform poorly on out-of-distribution samples because spurious correlations between non-robust features and labels can be changed in a new environment. By analyzing procedures for out-of-distribution generalization with a causal graph, we show that standard classifiers fail because the association between images and labels is not transportable across settings. However, we then show that the causal effect, which severs all sources of confounding, remains invariant across domains. This motivates us to develop an algorithm to estimate the causal effect for image classification, which is transportable (i.e., invariant) across source and target environments. Without observing additional variables, we show that we can derive an estimand for the causal effect under empirical assumptions using representations in deep models as proxies. Theoretical analysis, empirical results, and visualizations show that our approach captures causal invariances and improves overall generalization.
• Abstract（参考訳）: 視覚表現はオブジェクト認識のタスクを下敷きにするが、しばしば頑丈な特徴と非破壊的な特徴の両方を含んでいる。 画像分類器は,非ロバスト特徴とラベルとの相関関係を新たな環境で変更できるため,分散サンプルでは性能が低下する可能性がある。 因果グラフを用いたアウトオブディストリビューション一般化の手順を分析することで,画像とラベルの関連付けが設定間で転送できないため,標準分類器が失敗することを示した。 しかし、すべての共起源を分離する因果効果は、領域をまたいで不変であることを示した。 これにより、画像分類の因果効果を推定するアルゴリズムを開発するモチベーションが生まれました。 追加変数を観察せずに,深層モデルの表現をプロキシとして用いる経験的仮定の下で因果効果を推定できることを示す。 理論的解析,経験的結果,可視化は,本手法が因果不変性を捉え,全体的な一般化を改善することを示す。

関連論文リスト

• Estimating Causal Effects from Learned Causal Networks [56.14597641617531]
  本稿では、離散可観測変数に対する因果影響クエリに応答する代替パラダイムを提案する。 観測データから直接因果ベイズネットワークとその共起潜伏変数を学習する。 本手法は, 推定手法よりも有効であることを示す。
  論文  参考訳（メタデータ） (2024-08-26T08:39:09Z)
• Identifiable Latent Neural Causal Models [82.14087963690561]
  因果表現学習は、低レベルの観測データから潜伏した高レベルの因果表現を明らかにすることを目指している。 因果表現の識別可能性に寄与する分布シフトのタイプを決定する。 本稿では,本研究の成果を実用的なアルゴリズムに翻訳し,信頼性の高い潜在因果表現の取得を可能にする。
  論文  参考訳（メタデータ） (2024-03-23T04:13:55Z)
• Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
  きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。 本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。 本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2023-09-01T11:15:50Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Generalizable Information Theoretic Causal Representation [37.54158138447033]
  本稿では,観測データから因果表現を学習するために,仮説因果グラフに基づいて相互情報量で学習手順を規則化することを提案する。 この最適化は、因果性に着想を得た学習がサンプルの複雑さを減らし、一般化能力を向上させるという理論的保証を導出する反ファクト的損失を伴う。
  論文  参考訳（メタデータ） (2022-02-17T00:38:35Z)
• Clustering and Structural Robustness in Causal Diagrams [1.9766522384767222]
  変数のクラスタリングは因果図のサイズを減らす自然な方法である。 我々は、因果効果の識別可能性特性を維持するために、トランジットクラスタと呼ばれる特定のタイプのクラスタを定義する。 このような構造的ロバスト性は、トランジットクラスタと密接に関連していることを示す。
  論文  参考訳（メタデータ） (2021-11-08T13:56:22Z)
• Towards Robust Classification Model by Counterfactual and Invariant Data Generation [7.488317734152585]
  純粋さは、一部の特徴がラベルと相関するが因果関係がないときに起こる。 本稿では2つのデータ生成プロセスを提案する。 我々のデータ生成は、スプリアス相関が壊れたときの精度で最先端の手法より優れています。
  論文  参考訳（メタデータ） (2021-06-02T12:48:29Z)
• Nonlinear Invariant Risk Minimization: A Causal Approach [5.63479133344366]
  非線形環境下での分布外一般化を可能にする学習パラダイムを提案する。 我々は、非常に単純な変換までデータ表現の識別性を示す。 合成データと実世界のデータセットの両方に関する広範な実験は、我々のアプローチが様々なベースラインメソッドを大きく上回っていることを示している。
  論文  参考訳（メタデータ） (2021-02-24T15:38:41Z)
• DecAug: Out-of-Distribution Generalization via Decomposed Feature Representation and Semantic Augmentation [29.18840132995509]
  深層学習は、しばしば分布外(OoD)一般化に苦しむ。 OoD一般化のための新しい分解特徴表現および意味的拡張アプローチであるDecAugを提案する。 DecAugは、さまざまなOoDデータセットの他の最先端のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2020-12-17T03:46:09Z)
• Understanding Adversarial Examples from the Mutual Influence of Images and Perturbations [83.60161052867534]
  クリーンな画像と敵の摂動を遠ざけることで敵の例を分析し,その相互への影響を分析した。 以上の結果から,画像と普遍摂動の関係に対する新たな視点が示唆された。 我々は、オリジナルトレーニングデータを活用することなく、目標とするユニバーサルアタックの挑戦的なタスクを最初に達成した人物です。
  論文  参考訳（メタデータ） (2020-07-13T05:00:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。