論文の概要: A Reverse Causal Framework to Mitigate Spurious Correlations for Debiasing Scene Graph Generation

• arxiv url: http://arxiv.org/abs/2505.23451v1
• Date: Thu, 29 May 2025 13:57:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 18:14:07.883834
• Title: A Reverse Causal Framework to Mitigate Spurious Correlations for Debiasing Scene Graph Generation
• Title（参考訳）: 残酷な相関を緩和する逆因果関係
• Authors: Shuzhou Sun, Li Liu, Tianpeng Liu, Shuaifeng Zhi, Ming-Ming Cheng, Janne Heikkilä, Yongxiang Liu,
• Abstract要約: シーングラフ生成(SGG)フレームワークは通常、関係の特徴を抽出する検出器と、それらの関係を分類する分類器を備えている。 このような因果連鎖構造は、検出器の入力と最終的な予測の間に急激な相関をもたらす。 本稿では、因果連鎖構造を逆因果構造に再構築し、分類器の入力を共同創設者として扱うことを提案する。
• 参考スコア（独自算出の注目度）: 59.473751744275496
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing two-stage Scene Graph Generation (SGG) frameworks typically incorporate a detector to extract relationship features and a classifier to categorize these relationships; therefore, the training paradigm follows a causal chain structure, where the detector's inputs determine the classifier's inputs, which in turn influence the final predictions. However, such a causal chain structure can yield spurious correlations between the detector's inputs and the final predictions, i.e., the prediction of a certain relationship may be influenced by other relationships. This influence can induce at least two observable biases: tail relationships are predicted as head ones, and foreground relationships are predicted as background ones; notably, the latter bias is seldom discussed in the literature. To address this issue, we propose reconstructing the causal chain structure into a reverse causal structure, wherein the classifier's inputs are treated as the confounder, and both the detector's inputs and the final predictions are viewed as causal variables. Specifically, we term the reconstructed causal paradigm as the Reverse causal Framework for SGG (RcSGG). RcSGG initially employs the proposed Active Reverse Estimation (ARE) to intervene on the confounder to estimate the reverse causality, \ie the causality from final predictions to the classifier's inputs. Then, the Maximum Information Sampling (MIS) is suggested to enhance the reverse causality estimation further by considering the relationship information. Theoretically, RcSGG can mitigate the spurious correlations inherent in the SGG framework, subsequently eliminating the induced biases. Comprehensive experiments on popular benchmarks and diverse SGG frameworks show the state-of-the-art mean recall rate.
• Abstract（参考訳）: 既存の2段階のシーングラフ生成(SGG)フレームワークは通常、関係の特徴を抽出する検出器とこれらの関係を分類する分類器を組み込んでいるため、トレーニングパラダイムは因果連鎖構造に従い、検出器の入力が分類器の入力を決定し、最終的な予測に影響を与える。 しかし、そのような因果連鎖構造は、検出器の入力と最終的な予測、すなわち、ある関係の予測は他の関係に影響される可能性がある。 この影響は少なくとも2つの観測可能なバイアスを誘導することができる:尾関係は先頭関係として予測され、前景関係は背景バイアスとして予測される;特に後者のバイアスは文献ではほとんど議論されない。 そこで本研究では, 因果連鎖構造を逆因果構造に再構築し, 分類器の入力を共同創設者として扱い, 検出器の入力と最終的な予測の両方を因果変数と見なす方法を提案する。 具体的には、再構成因果パラダイムをSGGの逆因果フレームワーク(Reverse causal Framework for SGG, RcSGG)と呼ぶ。 RcSGGは当初提案されたActive Reverse Estimation (ARE)を用いて、逆因果関係を推定するために共同創設者に介入し、最終的な予測から分類器の入力まで因果関係を推定する。 そして、関係情報を考慮した最大情報サンプリング(MIS)を提案し、逆因果推定をさらに強化する。 理論的には、RcSGGはSGGフレームワーク固有のスプリアス相関を緩和し、誘導バイアスを除去することができる。 一般的なベンチマークと多様なSGGフレームワークに関する総合的な実験は、最先端の平均リコール率を示している。

関連論文リスト

• CAIFormer: A Causal Informed Transformer for Multivariate Time Series Forecasting [13.597882980144735]
  本稿では,各対象変数を別々に予測する全対一予測パラダイムを提案する。 この予測は、最初の3つの因果関係のサブセグメントにのみ依存する。 複数のベンチマークデータセットの実験では、CAIFormerの有効性が示されている。
  論文  参考訳（メタデータ） (2025-05-22T07:04:21Z)
• A Causal Adjustment Module for Debiasing Scene Graph Generation [28.44150555570101]
  我々は、歪んだ分布間の因果関係をモデル化するために因果推論技術を用いる。 提案手法により,ゼロショット関係の合成が可能となり,そのような関係を認識できるモデルの性能が向上する。
  論文  参考訳（メタデータ） (2025-03-22T20:44:01Z)
• Inducing Causal Structure for Abstractive Text Summarization [76.1000380429553]
  要約データの因果構造を誘導する構造因果モデル(SCM)を導入する。 本稿では因果的要因を模倣できる因果的表現を学習するための因果性インスピレーション付き系列列列モデル(CI-Seq2Seq)を提案する。 2つの広く使われているテキスト要約データセットの実験結果は、我々のアプローチの利点を示している。
  論文  参考訳（メタデータ） (2023-08-24T16:06:36Z)
• Unbiased Scene Graph Generation via Two-stage Causal Modeling [11.390135312161044]
  シーングラフ生成(SGG)タスクのための2段階因果モデリング(TsCM)を提案する。 TsCMは、長期にわたる分布と意味的混乱を共同創設者として、構造因果モデル(Structure Causal Model, SCM)に取り込み、因果的介入を2段階に分離する。 提案手法は, 平均リコール率の観点から, 最先端の性能を実現することができる。
  論文  参考訳（メタデータ） (2023-07-11T14:11:24Z)
• Causal Autoregressive Flows [4.731404257629232]
  自己回帰正規化フローの単純なファミリーと同定可能な因果モデルとの本質的な対応を強調した。 我々は、自己回帰フローアーキテクチャが、因果順序に類似した変数の順序を定義しているという事実を利用して、様々な因果推論タスクを実行するのに適していることを示す。
  論文  参考訳（メタデータ） (2020-11-04T13:17:35Z)
• Latent Causal Invariant Model [128.7508609492542]
  現在の教師付き学習は、データ適合プロセス中に急激な相関を学習することができる。 因果予測を求める潜在因果不変モデル(LaCIM)を提案する。
  論文  参考訳（メタデータ） (2020-11-04T10:00:27Z)
• CASTLE: Regularization via Auxiliary Causal Graph Discovery [89.74800176981842]
  因果構造学習(CASTLE)の正規化を導入し,変数間の因果関係を共同学習することでニューラルネットワークの正規化を提案する。 CASTLEは因果的隣り合いを持つ因果的DAGの特徴のみを効率的に再構成する一方、再構成ベース正規化器は全ての入力特徴を過度に再構成する。
  論文  参考訳（メタデータ） (2020-09-28T09:49:38Z)
• PCPL: Predicate-Correlation Perception Learning for Unbiased Scene Graph Generation [58.98802062945709]
  本稿では,適切な損失重みを適応的に求めるための新しい述語相関知覚学習手法を提案する。 我々のPCPLフレームワークは、文脈特徴をよりよく抽出するグラフエンコーダモジュールも備えています。
  論文  参考訳（メタデータ） (2020-09-02T08:30:09Z)
• CausalVAE: Structured Causal Disentanglement in Variational Autoencoder [52.139696854386976]
  変分オートエンコーダ(VAE)の枠組みは、観測から独立した因子をアンタングルするために一般的に用いられる。 本稿では, 因果内因性因子を因果内因性因子に変換する因果層を含むVOEベースの新しいフレームワークCausalVAEを提案する。 その結果、CausalVAEが学習した因果表現は意味論的に解釈可能であり、DAG(Directed Acyclic Graph)としての因果関係は精度良く同定された。
  論文  参考訳（メタデータ） (2020-04-18T20:09:34Z)

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。