Fugu-MT 論文翻訳(概要): A Shift in Perspective on Causality in Domain Generalization

論文の概要: A Shift in Perspective on Causality in Domain Generalization

arxiv url: http://arxiv.org/abs/2508.12798v1
Date: Mon, 18 Aug 2025 10:19:33 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-19 14:49:11.181262
Title: A Shift in Perspective on Causality in Domain Generalization
Title（参考訳）: 領域一般化における因果性への展望
Authors: Damian Machlanski, Stephanie Riley, Edward Moroshko, Kurt Butler, Panagiotis Dimitrakopoulos, Thomas Melistas, Akchunya Chanchal, Steven McDonagh, Ricardo Silva, Sotirios A. Tsaftaris,
Abstract要約: 我々は因果関係とDG文学の主張を再考する。我々は、一般化における因果関係の役割に関するよりニュアンスな理論を論じる。また、https://chai-uk.github.io/ukairs25-causal-predictors/でインタラクティブなデモも公開しています。
参考スコア（独自算出の注目度）: 16.172002413067396
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The promise that causal modelling can lead to robust AI generalization has been challenged in recent work on domain generalization (DG) benchmarks. We revisit the claims of the causality and DG literature, reconciling apparent contradictions and advocating for a more nuanced theory of the role of causality in generalization. We also provide an interactive demo at https://chai-uk.github.io/ukairs25-causal-predictors/.
Abstract（参考訳）: 因果モデリングが堅牢なAI一般化につながるという約束は、ドメイン一般化(DG)ベンチマークに関する最近の研究で疑問視されている。我々は因果関係とDG文学の主張を再考し、明らかな矛盾を和らげ、一般化における因果関係の役割に関するよりニュアンスな理論を提唱する。また、https://chai-uk.github.io/ukairs25-causal-predictors/でインタラクティブなデモも公開しています。

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)
Generalizing across Temporal Domains with Koopman Operators [15.839454056986446]
本研究では,条件分布の整合が一般化限界の減少に繋がる新しい理論結果を提案する。この分析は、クープマンニューラル演算子を用いて時間領域一般化(TDG)問題を解くための重要な動機となっている。
論文参考訳（メタデータ） (2024-02-12T17:45:40Z)
Improving Generalization with Domain Convex Game [32.07275105040802]
ドメインの一般化は、複数のソースドメインを持つモデルを学習することで、ディープニューラルネットワークの貧弱な一般化能力を緩和する傾向がある。 DG の古典的な解は領域拡大であり、その一般的な信念は、ソース領域の多様化は分布外一般化に導かれるということである。モデル一般化と領域の多様性の相関は厳密には正ではなく,ドメイン拡張の有効性を制限している。
論文参考訳（メタデータ） (2023-03-23T14:27:49Z)
Domain Generalization -- A Causal Perspective [20.630396283221838]
機械学習モデルは、ヘルスケアからパーソナライズされたレコメンデーションまで、広く成功している。これらのモデルの予備的な仮定の1つは、独立かつ同一の分布である。モデルはこの仮定に大きく依存しているため、一般化能力は乏しい。
論文参考訳（メタデータ） (2022-09-30T01:56:49Z)
Causal Inference Principles for Reasoning about Commonsense Causality [93.19149325083968]
コモンセンス因果推論(Commonsense causality reasoning)は、平均的な人によって妥当と見なされる自然言語記述における妥当な原因と影響を特定することを目的としている。既存の作業は通常、深い言語モデルに全面的に依存しており、共起を混同する可能性がある。古典的因果原理に触発され,我々はCCRの中心的問題を明確にし,観察研究と自然言語における人間の対象間の類似性を引き出す。本稿では,時間信号をインシデント・インシデント・インシデント・インシデント・インシデントとして活用する新しいフレームワークであるROCKをReason O(A)bout Commonsense K(C)ausalityに提案する。
論文参考訳（メタデータ） (2022-01-31T06:12:39Z)
Towards Principled Disentanglement for Domain Generalization [90.9891372499545]
機械学習モデルの根本的な課題は、アウト・オブ・ディストリビューション(OOD)データへの一般化である。私たちはまず、DEC(Disentanglement-Constrained Domain Generalization)と呼ばれる制約付き最適化としてOOD一般化問題を定式化する。この変換に基づいて、結合表現の不絡合と領域一般化のための原始双対アルゴリズムを提案する。
論文参考訳（メタデータ） (2021-11-27T07:36:32Z)
Contrastive Syn-to-Real Generalization [125.54991489017854]
我々は,学習した特徴埋め込みの多様性が一般化性能に重要な役割を果たすことを重要視する。本研究では,イメージネットの知識を生かして合成領域への過剰適合を防ぐ新しい枠組みであるコントラスト合成から実への一般化(csg)を提案する。 CSGの各種合成訓練における効果を実証し、ゼロショット領域の一般化に対する最先端性能を示す。
論文参考訳（メタデータ） (2021-04-06T05:10:29Z)
In Search of Robust Measures of Generalization [79.75709926309703]
我々は、一般化誤差、最適化誤差、過大なリスクのバウンダリを開発する。経験的に評価すると、これらの境界の大部分は数値的に空白である。我々は、分散ロバストネスの枠組みの中で、一般化対策を評価するべきであると論じる。
論文参考訳（メタデータ） (2020-10-22T17:54:25Z)
Detecting and Understanding Generalization Barriers for Neural Machine Translation [53.23463279153577]
本稿では,未知の入力文内での一般化バリアワードの同定と理解を試みる。本稿では,一般化バリアワードの原理的定義と,計算において抽出可能な修正版を提案する。次に、Zh$Leftrightarrow$En NISTベンチマークで検出された一般化障壁ワードについて広範な解析を行う。
論文参考訳（メタデータ） (2020-04-05T12:33:51Z)

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。