論文の概要: Causal-Driven Feature Evaluation for Cross-Domain Image Classification

• arxiv url: http://arxiv.org/abs/2601.20176v1
• Date: Wed, 28 Jan 2026 02:17:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-29 15:46:06.732674
• Title: Causal-Driven Feature Evaluation for Cross-Domain Image Classification
• Title（参考訳）: クロスドメイン画像分類のための因果的特徴評価
• Authors: Chen Cheng, Ang Li,
• Abstract要約: そこで本研究では,分散シフトにおける学習表現の必要性と十分性に基づいて,学習表現を評価することを提案する。 マルチドメインベンチマークの実験では、OODのパフォーマンスが一貫した改善が示されている。
• 参考スコア（独自算出の注目度）: 12.414378175740794
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Out-of-distribution (OOD) generalization remains a fundamental challenge in real-world classification, where test distributions often differ substantially from training data. Most existing approaches pursue domain-invariant representations, implicitly assuming that invariance implies reliability. However, features that are invariant across domains are not necessarily causally effective for prediction. In this work, we revisit OOD classification from a causal perspective and propose to evaluate learned representations based on their necessity and sufficiency under distribution shift. We introduce an explicit segment-level framework that directly measures causal effectiveness across domains, providing a more faithful criterion than invariance alone. Experiments on multi-domain benchmarks demonstrate consistent improvements in OOD performance, particularly under challenging domain shifts, highlighting the value of causal evaluation for robust generalization.
• Abstract（参考訳）: アウト・オブ・ディストリビューション(OOD)の一般化は、テスト分布がトレーニングデータと大きく異なる実世界の分類において、依然として根本的な課題である。 既存のアプローチの多くは、不変性が信頼性を意味することを暗黙的に仮定して、ドメイン不変表現を追求している。 しかし、ドメイン間で不変な特徴は必ずしも予測に因果的に有効とは限らない。 本研究は,OOD分類を因果的観点から再検討し,その必要性と分布シフト下での十分性に基づいて学習された表現を評価することを提案する。 ドメイン間の因果効果を直接測定する明示的なセグメントレベルフレームワークを導入し、不変性単独よりも忠実な基準を提供する。 マルチドメインベンチマークの実験では、特に挑戦的なドメインシフトの下でOOD性能が一貫した改善を示し、ロバストな一般化のための因果評価の価値を強調している。

関連論文リスト

• ATTA: Anomaly-aware Test-Time Adaptation for Out-of-Distribution Detection in Segmentation [22.084967085509387]
  ドメインシフトとセマンティックシフトを協調的に扱うための二重レベルOOD検出フレームワークを提案する。 第1のレベルは、グローバルな低レベル機能を活用することで、画像内にドメインシフトが存在するかどうかを区別する。 第2のレベルは、高次特徴写像を高密度に利用することにより、セマンティックシフトを伴う画素を識別する。
  論文  参考訳（メタデータ） (2023-09-12T06:49:56Z)
• Moderately Distributional Exploration for Domain Generalization [32.57429594854056]
  MODEは、未知のターゲット領域上で、証明可能な一般化性能を持つモデルを提供することができることを示す。 実験結果から,MODEは最先端のベースラインに比べて競争性能が高いことがわかった。
  論文  参考訳（メタデータ） (2023-04-27T06:50:15Z)
• 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)
• Variational Disentanglement for Domain Generalization [68.85458536180437]
  本稿では,変分拡散ネットワーク(VDN)という効果的なフレームワークを提供することにより,領域一般化の課題に取り組むことを提案する。 VDNは、ドメイン固有の機能とタスク固有の機能を切り離し、タスク固有のフィーチャは、見えないが関連するテストデータにより良い一般化が期待できる。
  論文  参考訳（メタデータ） (2021-09-13T09:55:32Z)
• Contrastive ACE: Domain Generalization Through Alignment of Causal Mechanisms [34.99779761100095]
  ドメインの一般化は、異なる分布にまたがる知識不変性を学ぶことを目的としている。 ラベルに対する特徴の因果効果の平均的因果効果の因果不変性を考察する。
  論文  参考訳（メタデータ） (2021-06-02T04:01:22Z)
• A Bit More Bayesian: Domain-Invariant Learning with Uncertainty [111.22588110362705]
  ドメインの一般化は、ドメインシフトと、ターゲットドメインデータのアクセス不能に起因する不確実性のために困難である。 本稿では,変分ベイズ推定に基づく確率的枠組みを用いて,両課題に対処する。 2層ベイズ型ニューラルネットワークで共同で確立されたドメイン不変表現と分類器を導出する。
  論文  参考訳（メタデータ） (2021-05-09T21:33:27Z)
• Learning Causal Semantic Representation for Out-of-Distribution Prediction [125.38836464226092]
  因果推論に基づく因果意味生成モデル(CSG)を提案し,その2つの要因を別々にモデル化する。 CSGはトレーニングデータに適合させることで意味的因子を識別できることを示し、この意味的識別はOOD一般化誤差の有界性を保証する。
  論文  参考訳（メタデータ） (2020-11-03T13:16:05Z)
• Learning Invariant Representations and Risks for Semi-supervised Domain Adaptation [109.73983088432364]
  半教師付きドメイン適応(Semi-DA)の設定の下で不変表現とリスクを同時に学習することを目的とした最初の手法を提案する。 共同で textbfLearning textbfInvariant textbfRepresentations と textbfRisks の LIRR アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2020-10-09T15:42:35Z)

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。