論文の概要: Learning Time-Aware Causal Representation for Model Generalization in Evolving Domains

• arxiv url: http://arxiv.org/abs/2506.17718v1
• Date: Sat, 21 Jun 2025 14:05:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.556504
• Title: Learning Time-Aware Causal Representation for Model Generalization in Evolving Domains
• Title（参考訳）: 進化領域におけるモデル一般化のための時間を考慮した因果表現の学習
• Authors: Zhuo He, Shuang Li, Wenze Song, Longhui Yuan, Jian Liang, Han Li, Kun Gai,
• Abstract要約: 動的因果要因と因果機構のドリフトを組み込んだ時間認識型構造因果モデル(SCM)を開発した。 本研究では,時間領域毎に最適な因果予測値が得られることを示す。 合成と実世界の両方のデータセットの結果から,SynCは時間的一般化性能に優れることが示された。
• 参考スコア（独自算出の注目度）: 50.66049136093248
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Endowing deep models with the ability to generalize in dynamic scenarios is of vital significance for real-world deployment, given the continuous and complex changes in data distribution. Recently, evolving domain generalization (EDG) has emerged to address distribution shifts over time, aiming to capture evolving patterns for improved model generalization. However, existing EDG methods may suffer from spurious correlations by modeling only the dependence between data and targets across domains, creating a shortcut between task-irrelevant factors and the target, which hinders generalization. To this end, we design a time-aware structural causal model (SCM) that incorporates dynamic causal factors and the causal mechanism drifts, and propose \textbf{S}tatic-D\textbf{YN}amic \textbf{C}ausal Representation Learning (\textbf{SYNC}), an approach that effectively learns time-aware causal representations. Specifically, it integrates specially designed information-theoretic objectives into a sequential VAE framework which captures evolving patterns, and produces the desired representations by preserving intra-class compactness of causal factors both across and within domains. Moreover, we theoretically show that our method can yield the optimal causal predictor for each time domain. Results on both synthetic and real-world datasets exhibit that SYNC can achieve superior temporal generalization performance.
• Abstract（参考訳）: データ分散の連続的かつ複雑な変化を考えると、動的シナリオで一般化可能なディープモデルを構築することは、現実のデプロイメントにおいて極めて重要である。 近年、進化的ドメイン一般化(EDG)は、モデル一般化を改善するために進化的パターンを捉えることを目的として、時間とともに分布シフトに対応するために出現している。 しかし、既存のEDG法は、ドメイン間のデータとターゲット間の依存性のみをモデル化し、タスク非関連因子とターゲット間のショートカットを作成し、一般化を妨げることにより、急激な相関に悩まされる可能性がある。 この目的のために、動的因果因子と因果機構のドリフトを組み込んだ時間的構造因果モデル(SCM)を設計し、時間的因果表現を効果的に学習するアプローチである時間的bf{S}tatic-D\textbf{YN}amic \textbf{C}ausal Representation Learning (\textbf{SYNC})を提案する。 具体的には、特定の設計した情報理論の目的を、進化するパターンをキャプチャするシーケンシャルなVAEフレームワークに統合し、ドメイン間およびドメイン内の両方の因果因子のクラス内コンパクト性を保存することにより、所望の表現を生成する。 さらに,本手法が時間領域毎に最適因果予測器を生成できることを示す。 合成と実世界の両方のデータセットの結果から,SynCは時間的一般化性能に優れることが示された。

関連論文リスト

• Consistent World Models via Foresight Diffusion [56.45012929930605]
  我々は、一貫した拡散に基づく世界モデルを学習する上で重要なボトルネックは、最適下予測能力にあると主張している。 本稿では,拡散に基づく世界モデリングフレームワークであるForesight Diffusion(ForeDiff)を提案する。
  論文  参考訳（メタデータ） (2025-05-22T10:01:59Z)
• Let Synthetic Data Shine: Domain Reassembly and Soft-Fusion for Single Domain Generalization [68.41367635546183]
  単一ドメインの一般化は、単一のソースからのデータを使用して、さまざまなシナリオで一貫したパフォーマンスでモデルをトレーニングすることを目的としている。 モデル一般化を改善するために合成データを活用した学習フレームワークDRSFを提案する。
  論文  参考訳（メタデータ） (2025-03-17T18:08:03Z)
• Time Series Domain Adaptation via Latent Invariant Causal Mechanism [28.329164754662354]
  時系列領域適応は、ラベル付けされたソースドメインからラベル付けされていないターゲットドメインに複雑な時間依存性を転送することを目的としている。 近年の進歩は、観測変数に対する安定した因果機構を利用して、ドメイン不変時間依存をモデル化している。 しかし、ビデオのような高次元データにおける正確な因果構造をモデル化することは依然として困難である。
  論文  参考訳（メタデータ） (2025-02-23T16:25:58Z)
• Learning Latent Spaces for Domain Generalization in Time Series Forecasting [60.29403194508811]
  時系列予測は多くの実世界のアプリケーションにおいて不可欠であるが、見つからない関連ドメインをうまく一般化するモデルの開発はまだ未定である。 本稿では,ドメイン間の時間的依存関係を規定する潜在因子をマイニングすることで時系列予測におけるドメイン一般化の枠組みを提案する。 提案手法では,新しい条件付き$beta$-Variational Autoencoder (VAE) を用いて,時系列データをトレンド周期および季節成分に分解する。
  論文  参考訳（メタデータ） (2024-12-15T12:41:53Z)
• DeCaf: A Causal Decoupling Framework for OOD Generalization on Node Classification [14.96980804513399]
  グラフニューラルネットワーク(GNN)は、分散シフトの影響を受けやすいため、クリティカルドメインの脆弱性やセキュリティ上の問題が発生する。 不変(機能、構造)-ラベルマッピングの学習を目標とする既存の方法は、データ生成プロセスに関する過度に単純化された仮定に依存することが多い。 構造因果モデル(SCM)を用いたより現実的なグラフデータ生成モデルを提案する。 本稿では,非バイアスな特徴ラベルと構造ラベルのマッピングを独立に学習する,カジュアルなデカップリングフレームワークDeCafを提案する。
  論文  参考訳（メタデータ） (2024-10-27T00:22:18Z)
• Learning Divergence Fields for Shift-Robust Graph Representations [73.11818515795761]
  本研究では,相互依存データに対する問題に対して,学習可能な分散場を持つ幾何学的拡散モデルを提案する。 因果推論によって新たな学習目標が導出され、ドメイン間で無神経な相互依存の一般化可能なパターンを学習するためのモデルが導出される。
  論文  参考訳（メタデータ） (2024-06-07T14:29:21Z)
• CODA: Temporal Domain Generalization via Concept Drift Simulator [34.21255368783787]
  現実世界のアプリケーションでは、基礎となる時間的傾向から生じる共同分布の変化により、機械学習モデルは時代遅れになることが多い。 本研究では,予測特徴相関行列を組み込んだCOncept Drift simulAtorフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-02T18:04:34Z)
• Temporal Domain Generalization with Drift-Aware Dynamic Neural Network [12.483886657900525]
  ドリフト対応動的ニューラルネットワーク(DRAIN)フレームワークを用いた時間領域一般化を提案する。 具体的には、この問題を、データとモデル力学の関係を共同でモデル化するベイズ的枠組みに定式化する。 モデルパラメータとデータ分布の時間的ドリフトをキャプチャし、将来のデータなしで将来モデルを予測することができる。
  論文  参考訳（メタデータ） (2022-05-21T20:01:31Z)
• Towards Robust and Adaptive Motion Forecasting: A Causal Representation Perspective [72.55093886515824]
  本稿では,3つの潜伏変数群からなる動的過程として,運動予測の因果的形式化を導入する。 我々は、因果グラフを近似するために、不変なメカニズムやスタイルの共創者の表現を分解するモジュラーアーキテクチャを考案する。 合成および実データを用いた実験結果から,提案した3つの成分は,学習した動き表現の頑健性と再利用性を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2021-11-29T18:59:09Z)

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。