論文の概要: Causal Invariance and Counterfactual Learning Driven Cooperative Game for Multi-Label Classification

• arxiv url: http://arxiv.org/abs/2512.00812v1
• Date: Sun, 30 Nov 2025 09:39:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.432337
• Title: Causal Invariance and Counterfactual Learning Driven Cooperative Game for Multi-Label Classification
• Title（参考訳）: マルチラベル分類のための因果不変性と対実学習駆動協調ゲーム
• Authors: Yijia Fan, Jusheng Zhang, Kaitong Cai, Jing Yang, Keze Wang,
• Abstract要約: マルチラベル分類(MLC)は、ラベルの不均衡、スプリアス相関、分布シフトに弱いままである。 本稿では,MLCを協調的マルチプレイヤーインタラクションとして概念化するCausal Cooperative Game (CCG) フレームワークを紹介する。
• 参考スコア（独自算出の注目度）: 12.67288560758937
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-label classification (MLC) remains vulnerable to label imbalance, spurious correlations, and distribution shifts, challenges that are particularly detrimental to rare label prediction. To address these limitations, we introduce the Causal Cooperative Game (CCG) framework, which conceptualizes MLC as a cooperative multi-player interaction. CCG unifies explicit causal discovery via Neural Structural Equation Models with a counterfactual curiosity reward to drive robust feature learning. Furthermore, it incorporates a causal invariance loss to ensure generalization across diverse environments, complemented by a specialized enhancement strategy for rare labels. Extensive benchmarking demonstrates that CCG substantially outperforms strong baselines in both rare label prediction and overall robustness. Through rigorous ablation studies and qualitative analysis, we validate the efficacy and interpretability of our components, underscoring the potential of synergizing causal inference with cooperative game theory for advancing multi-label learning.
• Abstract（参考訳）: マルチラベル分類(MLC)は、ラベルの不均衡、スプリアス相関、分布シフト、特にレアラベル予測に有害な課題に対して脆弱なままである。 これらの制約に対処するために,MLCを協調的なマルチプレイヤーインタラクションとして概念化するCausal Cooperative Game (CCG) フレームワークを導入する。 CCGは、ニューラルネットワーク構造方程式モデル(Neural Structure Equation Models)を通じて明確な因果発見を統一する。 さらに,レアラベルの特殊強化戦略を補完して,多様な環境にまたがる一般化を確保するために因果的不変性を損なう。 大規模なベンチマークでは、CCGがレアラベル予測と全体的な堅牢性の両方において、強いベースラインを著しく上回っていることが示されている。 厳密なアブレーション研究と定性的分析を通じて、我々のコンポーネントの有効性と解釈可能性を検証するとともに、多言語学習を推進するための協調ゲーム理論と因果推論を相乗化する可能性を示す。

関連論文リスト

• Transformers Provably Learn Directed Acyclic Graphs via Kernel-Guided Mutual Information [91.66597637613263]
  注意機構を活用するトランスフォーマーベースのモデルは、グラフ内の複雑な依存関係をキャプチャする上で、強い経験的成功を示している。 本稿では,カーネル誘導相互情報(KG-MI)を$f$-divergenceに基づく新しい情報理論指標を提案する。 我々は、K$親和性DAGによって生成された任意のシーケンスが、勾配上昇による単層マルチヘッドトランスを訓練し、大域的最適時間に収束することを証明した。
  論文  参考訳（メタデータ） (2025-10-29T14:07:12Z)
• CRoC: Context Refactoring Contrast for Graph Anomaly Detection with Limited Supervision [11.139587480845144]
  グラフ異常検出(GAD)のためのグラフニューラルネットワーク(GNN)を学習するフレームワークであるコンテキストリファクタリングコントラスト(CRoC)を提案する。 CRoCは、GAD固有のクラス不均衡を利用して、ラベル付きおよび豊富なラベル付きデータを活用する。 トレーニングの段階では、CRoCは対照的な学習パラダイムとさらに統合されている。これにより、GNNはトレーニング中にラベルのないデータを効果的に活用し、よりリッチでより離散的なノードの埋め込みを生成することができる。
  論文  参考訳（メタデータ） (2025-08-17T08:05:17Z)
• Enhancing CTR Prediction with De-correlated Expert Networks [45.50697497028273]
  本稿では,専門的相関を最小化するクロスエキスパートデコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレー 我々はD-MoEがMulti-Embedding MoEベースラインと比較して1.19%のGross Merchandise Volume (GMV)リフトを達成することを示す。
  論文  参考訳（メタデータ） (2025-05-23T14:04:38Z)
• Mitigating Spurious Correlations with Causal Logit Perturbation [22.281052412112263]
  本研究では,個々のサンプルに対して因果ロジット摂動を発生させた分類器を訓練するための新しい因果ロジット摂動(CLP)フレームワークを提案する。 このフレームワークは、オンラインのメタ学習ベースの学習アルゴリズムによって最適化され、人間の因果知識を利用して、反事実的および事実的両方の方法でメタデータを増強する。
  論文  参考訳（メタデータ） (2025-05-21T08:21:02Z)
• Dynamic Correlation Learning and Regularization for Multi-Label Confidence Calibration [60.95748658638956]
  本稿では,多ラベルシナリオにおける信頼度を適切に評価することを目的としたマルチラベル信頼性タスクを提案する。 既存のシングルラベルキャリブレーション手法では、セマンティックな混乱に対処するために欠かせないカテゴリ相関を考慮できない。 本稿では,多粒度セマンティック相関を利用した動的相関学習と正規化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-09T13:26:21Z)
• Exploring Contrastive Learning for Long-Tailed Multi-Label Text Classification [48.81069245141415]
  マルチラベルテキスト分類のための新しいコントラスト損失関数を提案する。 マイクロF1スコアは、他の頻繁に採用される損失関数と一致するか、上回っている。 これは、3つのマルチラベルデータセットでMacro-F1スコアが大幅に改善されたことを示している。
  論文  参考訳（メタデータ） (2024-04-12T11:12:16Z)
• Unilaterally Aggregated Contrastive Learning with Hierarchical Augmentation for Anomaly Detection [64.50126371767476]
  階層的拡張(UniCon-HA)を用いた一方的集約型コントラスト学習を提案する。 我々は、教師付きおよび教師なしの対照的な損失を通じて、インレーヤの濃度と仮想外れ値の分散を明示的に奨励する。 本手法は,ラベルなし1クラス,ラベルなしマルチクラス,ラベル付きマルチクラスを含む3つのAD設定で評価される。
  論文  参考訳（メタデータ） (2023-08-20T04:01:50Z)
• Cluster-aware Semi-supervised Learning: Relational Knowledge Distillation Provably Learns Clustering [15.678104431835772]
  我々はリレーショナル知識蒸留(RKD)の理論的理解に向けて最初の一歩を踏み出した。 半教師付き学習では,クラスタ認識学習の一般的な枠組みを通じて,RKDのラベル効率を実証する。 正確なクラスタリングを学習する共通の効果にもかかわらず、RKDは"グローバル"な視点を促進する。
  論文  参考訳（メタデータ） (2023-07-20T17:05:51Z)
• Effect Identification in Cluster Causal Diagrams [51.42809552422494]
  クラスタ因果図(略してC-DAG)と呼ばれる新しいタイプのグラフィカルモデルを導入する。 C-DAGは、限定された事前知識に基づいて変数間の関係を部分的に定義することができる。 我々はC-DAGに対する因果推論のための基礎と機械を開発する。
  論文  参考訳（メタデータ） (2022-02-22T21:27:31Z)

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。