論文の概要: Deconfounding Causal Inference through Two-Branch Framework with Early-Forking for Sensor-Based Cross-Domain Activity Recognition

• arxiv url: http://arxiv.org/abs/2507.03898v1
• Date: Sat, 05 Jul 2025 04:33:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.926306
• Title: Deconfounding Causal Inference through Two-Branch Framework with Early-Forking for Sensor-Based Cross-Domain Activity Recognition
• Title（参考訳）: センサを用いたクロスドメイン動作認識のための早期探索による2分岐フレームワークによる因果推論の分離
• Authors: Di Xiong, Lei Zhang, Shuoyuan Wang, Dongzhou Cheng, Wenbo Huang,
• Abstract要約: クロスドメインなアクティビティ認識のための因果性に着想を得た表現学習アルゴリズムを提案する。 いくつかの公開HARベンチマークの実験では、我々のアプローチが11の関連する最先端のベースラインを大幅に上回っていることが示されている。
• 参考スコア（独自算出の注目度）: 5.74620895704135
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, domain generalization (DG) has emerged as a promising solution to mitigate distribution-shift issue in sensor-based human activity recognition (HAR) scenario. However, most existing DG-based works have merely focused on modeling statistical dependence between sensor data and activity labels, neglecting the importance of intrinsic casual mechanism. Intuitively, every sensor input can be viewed as a mixture of causal (category-aware) and non-causal factors (domain-specific), where only the former affects activity classification judgment. In this paper, by casting such DG-based HAR as a casual inference problem, we propose a causality-inspired representation learning algorithm for cross-domain activity recognition. To this end, an early-forking two-branch framework is designed, where two separate branches are respectively responsible for learning casual and non-causal features, while an independence-based Hilbert-Schmidt Information Criterion is employed to implicitly disentangling them. Additionally, an inhomogeneous domain sampling strategy is designed to enhance disentanglement, while a category-aware domain perturbation layer is performed to prevent representation collapse. Extensive experiments on several public HAR benchmarks demonstrate that our causality-inspired approach significantly outperforms eleven related state-of-the-art baselines under cross-person, cross-dataset, and cross-position settings. Detailed ablation and visualizations analyses reveal underlying casual mechanism, indicating its effectiveness, efficiency, and universality in cross-domain activity recognition scenario.
• Abstract（参考訳）: 近年,センサを用いたヒューマンアクティビティ認識(HAR)シナリオにおける分布シフト問題を緩和する手段として,ドメイン一般化(DG)が注目されている。 しかし、既存のDGベースの研究の多くは、センサデータとアクティビティラベル間の統計的依存をモデル化することにのみ焦点を当てており、本質的なカジュアルメカニズムの重要性を無視している。 直感的には、すべてのセンサ入力は因果(カテゴリー認識)と非因果(ドメイン固有)の混合と見なすことができ、前者のみが行動分類判定に影響を与える。 本稿では、このようなDGベースのHARをカジュアル推論問題としてキャストすることで、ドメイン間アクティビティ認識のための因果性に着想を得た表現学習アルゴリズムを提案する。 この目的のために、初期フォークの2ブランチフレームワークが設計され、2つの別々のブランチがそれぞれカジュアルな特徴と非因果的な特徴を学習する責任を負っている。 さらに、非均一なドメインサンプリング戦略は、絡み合いを高めるために設計され、また、カテゴリ対応ドメイン摂動層は、表現の崩壊を防止するために実行される。 いくつかの公開HARベンチマークに対する大規模な実験により、我々の因果性にインスパイアされたアプローチは、クロスパーソン、クロスデータセット、クロスポジション設定の下で、11の関連する最先端のベースラインを著しく上回っていることが示された。 詳細なアブレーションと可視化分析は、クロスドメインアクティビティ認識シナリオにおけるその有効性、効率、普遍性を示す、基礎となるカジュアルメカニズムを明らかにする。

関連論文リスト

• Fair Deepfake Detectors Can Generalize [51.21167546843708]
  共同設立者(データ分散とモデルキャパシティ)の制御により,公正な介入による一般化が向上することを示す。 この知見を応用して, 逆正当性重み付けとサブグループワイド特徴正規化を併用し, 新たなアライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・インセンティブ・インターベンション・インベンション・インテクション(DAID)を提案する。 DAIDは、いくつかの最先端技術と比較して、公平性と一般化の両方において一貫して優れた性能を達成する
  論文  参考訳（メタデータ） (2025-07-03T14:10:02Z)
• CICADA: Cross-Domain Interpretable Coding for Anomaly Detection and Adaptation in Multivariate Time Series [24.307819352969037]
  CICADA(Cross-domain Interpretable Coding for Anomaly Detection and Adaptation)を4つの重要なイノベーションとともに紹介する。 CICADAは、高い柔軟性と解釈可能性を備えたドメインに依存しない異常特徴をキャプチャする。 合成および実世界の産業データセットに関する試行は、CICADAがクロスドメイン検出性能と解釈可能性の両方において最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2025-05-01T09:26:40Z)
• Unsupervised Structural-Counterfactual Generation under Domain Shift [0.0]
  本稿では,ソース領域からの事実観測に基づいて,対象領域における対実サンプルの生成という,新たな生成モデル課題を提案する。 本フレームワークは, 対象領域からの影響-内在変数の後方分布と, 対象領域からの領域-内在変数の事前分布とを組み合わせて, 所望の反事実を合成する。
  論文  参考訳（メタデータ） (2025-02-17T16:48:16Z)
• A Causal Inspired Early-Branching Structure for Domain Generalization [46.55514281988053]
  ドメイン不変セマンティック表現の学習は、ドメインの一般化を達成するために不可欠である。 標準的なトレーニングは、しばしば絡み合った意味とドメイン固有の特徴をもたらす。 これまでの研究は、因果的な観点から問題を定式化することを示唆している。 基本的なフレームワークを補完する2つの戦略を提案する。
  論文  参考訳（メタデータ） (2024-03-13T16:04:29Z)
• Cross-Domain Few-Shot Segmentation via Iterative Support-Query Correspondence Mining [81.09446228688559]
  Cross-Domain Few-Shots (CD-FSS) は、限定された例のみを用いて、異なるドメインから新しいカテゴリを分割するという課題を提起する。 本稿では,CD-FSSの課題に対処する新しいクロスドメイン微調整手法を提案する。
  論文  参考訳（メタデータ） (2024-01-16T14:45:41Z)
• GaitGCI: Generative Counterfactual Intervention for Gait Recognition [15.348742723718964]
  Gaitは、歩行者を歩行パターンから識別することを目的とした、最も有望なバイオメトリクスの1つだ。 一般的な手法は共同設立者には受け入れられず、結果としてネットワークは効果的な歩行パターンを反映する領域にほとんど焦点を合わせない。 本稿では、対実干渉学習(CIL)と多様性制約動的畳み込み(DCDC)からなる、GaitGCIと呼ばれる生成対実干渉フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-06T05:59:23Z)
• Relation Matters: Foreground-aware Graph-based Relational Reasoning for Domain Adaptive Object Detection [81.07378219410182]
  我々は、FGRR(Fearground-aware Graph-based Reasoning)というドメインDのための新しい汎用フレームワークを提案する。 FGRRはグラフ構造を検出パイプラインに組み込んで、ドメイン内およびドメイン間フォアグラウンドオブジェクト関係を明示的にモデル化する。 実験の結果、提案したFGRRは4つのDomainDベンチマークの最先端よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-06-06T05:12:48Z)
• Instrumental Variable-Driven Domain Generalization with Unobserved Confounders [53.735614014067394]
  ドメイン一般化(Domain Generalization, DG)は、複数のソースドメインから、目に見えないターゲットドメインをうまく一般化できるモデルを学ぶことを目的としている。 観測不能な共同創設者のバイアスを2段階学習で除去し,インストゥルメンタル変数駆動型DG法(IV-DG)を提案する。 第1段階では、あるドメインの入力特徴の条件分布を他のドメインの入力特徴の条件分布として学習する。 第2段階では,ラベルと学習条件分布の関係を推定する。
  論文  参考訳（メタデータ） (2021-10-04T13:32:57Z)
• Exploring Robustness of Unsupervised Domain Adaptation in Semantic Segmentation [74.05906222376608]
  クリーンな画像とそれらの逆の例との一致を、出力空間における対照的な損失によって最大化する、逆向きの自己スーパービジョンUDA(ASSUDA)を提案する。 i) セマンティックセグメンテーションにおけるUDA手法のロバスト性は未解明のままであり, (ii) 一般的に自己スーパービジョン(回転やジグソーなど) は分類や認識などのイメージタスクに有効であるが, セグメンテーションタスクの識別的表現を学習する重要な監視信号の提供には失敗している。
  論文  参考訳（メタデータ） (2021-05-23T01:50:44Z)
• Adaptively-Accumulated Knowledge Transfer for Partial Domain Adaptation [66.74638960925854]
  部分ドメイン適応(PDA)は、ソースドメインラベル空間がターゲットドメインを置き換えるとき、現実的で困難な問題を扱う。 本稿では,2つの領域にまたがる関連カテゴリを整合させる適応的知識伝達フレームワーク(A$2KT)を提案する。
  論文  参考訳（メタデータ） (2020-08-27T00:53:43Z)

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。