論文の概要: Humanoid-inspired Causal Representation Learning for Domain Generalization

• arxiv url: http://arxiv.org/abs/2510.16382v1
• Date: Sat, 18 Oct 2025 07:38:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:38.976598
• Title: Humanoid-inspired Causal Representation Learning for Domain Generalization
• Title（参考訳）: ドメイン一般化のためのヒューマノイドにインスパイアされた因果表現学習
• Authors: Ze Tao, Jian Zhang, Haowei Li, Xianshuai Li, Yifei Peng, Xiyao Liu, Senzhang Wang, Chao Liu, Sheng Ren, Shichao Zhang,
• Abstract要約: Humanoid-Inspired Structure Causal Model (HSCM)は、人間の知性にインスパイアされた新しい因果関係の枠組みである。 キーイメージ属性のアンタングル化と再重み付けにより、HSCMは様々な領域にわたる一般化を強化する。
• 参考スコア（独自算出の注目度）: 27.034416329441097
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper proposes the Humanoid-inspired Structural Causal Model (HSCM), a novel causal framework inspired by human intelligence, designed to overcome the limitations of conventional domain generalization models. Unlike approaches that rely on statistics to capture data-label dependencies and learn distortion-invariant representations, HSCM replicates the hierarchical processing and multi-level learning of human vision systems, focusing on modeling fine-grained causal mechanisms. By disentangling and reweighting key image attributes such as color, texture, and shape, HSCM enhances generalization across diverse domains, ensuring robust performance and interpretability. Leveraging the flexibility and adaptability of human intelligence, our approach enables more effective transfer and learning in dynamic, complex environments. Through both theoretical and empirical evaluations, we demonstrate that HSCM outperforms existing domain generalization models, providing a more principled method for capturing causal relationships and improving model robustness. The code is available at https://github.com/lambett/HSCM.
• Abstract（参考訳）: 本稿では,人間の知性に触発された新しい因果的枠組みであるHumanoid-inspired Structure Causal Model (HSCM)を提案する。 データラベルの依存関係をキャプチャして歪み不変表現を学習する統計に依存するアプローチとは異なり、HSCMは人間の視覚システムの階層的処理と多段階学習を再現し、きめ細かい因果機構のモデリングに重点を置いている。 色、テクスチャ、形状などの重要なイメージ属性をアンタングル化し、再重み付けすることで、HSCMは様々な領域にわたる一般化を強化し、堅牢なパフォーマンスと解釈可能性を確保する。 人間の知能の柔軟性と適応性を活用して、我々のアプローチは動的で複雑な環境でより効果的な伝達と学習を可能にします。 理論的および実証的な評価により、HSCMは既存の領域一般化モデルより優れており、因果関係を捕捉し、モデルロバスト性を改善するためのより原則化された方法を提供する。 コードはhttps://github.com/lambett/HSCMで公開されている。

関連論文リスト

• Symmetry and Generalisation in Neural Approximations of Renormalisation Transformations [11.337632710839166]
  ニューラルネットワークの一般化行動における対称性とネットワーク表現性の役割を評価する。 単純な多層パーセプトロン(MLP)とグラフニューラルネットワーク(GNN)について考察する。 以上の結果から, 対称性の制約と表現率の競合が明らかとなり, 過度に複雑なモデルが一般化されていないことが判明した。
  論文  参考訳（メタデータ） (2025-10-18T17:29:23Z)
• Rethinking the Role of Dynamic Sparse Training for Scalable Deep Reinforcement Learning [58.533203990515034]
  ニューラルネットワークのスケーリングは機械学習における画期的な進歩をもたらしたが、このパラダイムは深層強化学習(DRL)では失敗している。 我々は、動的スパーストレーニング戦略が、アーキテクチャの改善によって確立された主要なスケーラビリティ基盤を補完するモジュール固有の利点を提供することを示す。 アーキテクチャ改善の利点を生かした実践的なフレームワークであるModule-Specific Training (MST) にこれらの知見を精査し、アルゴリズムの修正なしに様々なRLアルゴリズムをまたいだ大幅なスケーラビリティ向上を示す。
  論文  参考訳（メタデータ） (2025-10-14T03:03:08Z)
• Learning Time-Aware Causal Representation for Model Generalization in Evolving Domains [50.66049136093248]
  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。
  論文  参考訳（メタデータ） (2025-06-21T14:05:37Z)
• Adaptive Token Boundaries: Integrating Human Chunking Mechanisms into Multimodal LLMs [0.0]
  本研究は,ヒトのクロスモーダルチャンキング機構とトークン表現手法の並列性について,系統的研究を行った。 本稿では,適応的境界,階層的表現,認知科学の原理に基づくアライメント機構を取り入れた動的クロスモーダルトークン化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-03T09:14:24Z)
• CauSkelNet: Causal Representation Learning for Human Behaviour Analysis [7.139285159330364]
  本研究では,これらの課題に対処するための因果推論に基づく新しい表現学習フレームワークを提案する。 我々の2段階のアプローチは、Peter-Clark (PC) アルゴリズムとKullback-Leibler (KL) ダイバージェンスを組み合わせて、人間の関節間の因果関係を特定し定量化する。 結合相互作用をキャプチャすることで、提案した因果グラフ畳み込みネットワーク(GCN)は、解釈可能かつ堅牢な表現を生成する。
  論文  参考訳（メタデータ） (2024-09-23T21:38:49Z)
• Towards Human-like Perception: Learning Structural Causal Model in Heterogeneous Graph [26.361815957385417]
  本研究では,HG-SCM(構造因果モデルとしての異種グラフ)という新しい解を提案する。 グラフスキーマから派生したセマンティクスに基づく無知変数の構築と、高度な因果発見技術を導入して、これらの変数間のタスクレベルの因果関係を自動的に学習する。 HG-SCMは標準偏差を最小限に抑え、予測力と一般化性の両方の観点からその有効性と優位性を実証した。
  論文  参考訳（メタデータ） (2023-12-10T04:34:35Z)
• Style-Hallucinated Dual Consistency Learning: A Unified Framework for Visual Domain Generalization [113.03189252044773]
  本稿では,様々な視覚的タスクにおけるドメインシフトを処理するための統合フレームワークであるStyle-HAllucinated Dual consistEncy Learning (SHADE)を提案する。 我々の汎用SHADEは、画像分類、セマンティックセグメンテーション、オブジェクト検出など、様々な視覚認識タスクにおける一般化を著しく向上させることができる。
  論文  参考訳（メタデータ） (2022-12-18T11:42:51Z)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)

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。