論文の概要: Multi-Task Anti-Causal Learning for Reconstructing Urban Events from Residents' Reports
- arxiv url: http://arxiv.org/abs/2603.11546v1
- Date: Thu, 12 Mar 2026 05:03:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-13 14:46:25.902457
- Title: Multi-Task Anti-Causal Learning for Reconstructing Urban Events from Residents' Reports
- Title（参考訳）: 住民報告による都市イベント再構築のためのマルチタスク型アンチカジュアルラーニング
- Authors: Liangkai Zhou, Susu Xu, Shuqi Zhong, Shan Lin,
- Abstract要約: Multi-Task Anti-Causal Learning (MTAC)は、成果や共同設立者から原因を推定するためのフレームワークである。
マンハッタンとニューアーク市から収集された実世界のデータに基づいて、MTACは強いベースラインの復元精度を一貫して向上させる。
- 参考スコア（独自算出の注目度）: 6.564378731771729
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Many real-world machine learning tasks are anti-causal: they require inferring latent causes from observed effects. In practice, we often face multiple related tasks where part of the forward causal mechanism is invariant across tasks, while other components are task-specific. We propose Multi-Task Anti-Causal learning (MTAC), a framework for estimating causes from outcomes and confounders by explicitly exploiting such cross-task invariances. MTAC first performs causal discovery to learn a shared causal graph and then instantiates a structured multi-task structural equation model (SEM) that factorizes the outcome-generation process into (i) a task-invariant mechanism and (ii) task-specific mechanisms via a shared backbone with task-specific heads. Building on the learned forward model, MTAC performs maximum A posteriori (MAP)based inference to reconstruct causes by jointly optimizing latent mechanism variables and cause magnitudes under the learned causal structure. We evaluate MTAC on the application of urban event reconstruction from resident reports, spanning three tasks:parking violations, abandoned properties, and unsanitary conditions. On real-world data collected from Manhattan and the city of Newark, MTAC consistently improves reconstruction accuracy over strong baselines, achieving up to 34.61\% MAE reduction and demonstrating the benefit of learning transferable causal mechanisms across tasks.
- Abstract（参考訳）: 多くの実世界の機械学習タスクは反因果であり、観察された影響から潜在原因を推測する必要がある。
実際には、フォワード因果機構の一部がタスク間で不変であり、他のコンポーネントがタスク固有であるような、複数の関連するタスクに直面します。
マルチタスク・アンチカジュアル・ラーニング (MTAC) は, マルチタスク・アンチカジュアル・ラーニング (Multi-Task Anti-Causal Learning, MTAC) によって, 結果や共同設立者から原因を推定するためのフレームワークである。
MTACはまず因果探索を行い、共有因果グラフを学習し、結果生成過程を分解する構造化マルチタスク構造方程式モデル(SEM)をインスタンス化する。
(i)タスク不変機構及び
(II)タスク固有の頭を持つ共有バックボーンによるタスク固有のメカニズム。
MTACは学習前処理モデルに基づいて最大A後方推定を行い、学習因果構造の下で潜在機構変数を共同最適化して原因を再構成する。
MTACは, 住民報告による都市イベント再建の応用について評価し, 違反, 放棄された財産, 不衛生状態の3つの課題にまたがる。
マンハッタンとニューアーク市から収集された実世界のデータでは、MTACは強いベースラインの再現精度を常に改善し、最大34.61 %のMAE削減を実現し、タスク間で伝達可能な因果メカニズムの学習の利点を示す。
関連論文リスト
- Bridging the Task Gap: Multi-Task Adversarial Transferability in CLIP and Its Derivatives [61.58574200236532]
きめ細かいタスクから生成される敵の例は、粗いタスクよりも強い伝達ポテンシャルを示すことが多い。
本稿では,タスク認識機能集約損失を導入し,タスク間の一般化機能を強化した摂動を生成する,新しいフレームワークであるMulti-Task Adversarial CLIP (MT-AdvCLIP)を提案する。
論文 参考訳（メタデータ） (2025-09-28T14:46:52Z) - MEJO: MLLM-Engaged Surgical Triplet Recognition via Inter- and Intra-Task Joint Optimization [52.149337961205624]
手術用三重項認識のためのタスク間最適化とタスク内最適化を両立する枠組みを提案する。
タスク間最適化のために、タスク共有およびタスク固有コンポーネントに表現を分解する共有特徴分散学習スキーム(S$2$D)を導入する。
タスク内最適化競合に対して,正負の曖昧さを識別・再バランスするコーディネート・グラディエント・ラーニング(CGL)戦略を開発する。
論文 参考訳（メタデータ） (2025-09-16T09:48:52Z) - Robust-Multi-Task Gradient Boosting [6.920276126310231]
マルチタスク学習(MTL)は、タスク間の共有情報を利用して一般化を改善する効果を示す。
本稿では,R-MTGB(Robust-Multi-Task Gradient Boosting)を提案する。
R-MTGBは学習プロセスを3つのブロックに構成する:(1)共有パターンの学習、(2)正規化パラメータを持つ逐次タスクを外れ値と非外れ値に分割、(3)微調整タスク固有の予測器。
論文 参考訳（メタデータ） (2025-07-15T15:31:12Z) - Re-TASK: Revisiting LLM Tasks from Capability, Skill, and Knowledge Perspectives [54.14429346914995]
CoT(Chain-of-Thought)は、大規模言語モデル(LLM)による複雑な問題を解決する重要な方法となっている。
本稿では,LLMタスクを能力,スキル,知識の観点から再考する理論モデルであるRe-TASKフレームワークを紹介する。
多様な領域にわたる実験は、Re-TASKの有効性を示す。
論文 参考訳（メタデータ） (2024-08-13T13:58:23Z) - InterroGate: Learning to Share, Specialize, and Prune Representations
for Multi-task Learning [17.66308231838553]
推論計算効率を最適化しつつ,タスク干渉を緩和する新しいマルチタスク学習(MTL)アーキテクチャを提案する。
学習可能なゲーティング機構を用いて、すべてのタスクのパフォーマンスを保ちながら、共有表現とタスク固有の表現を自動的にバランスさせる。
論文 参考訳（メタデータ） (2024-02-26T18:59:52Z) - A Unified Causal View of Instruction Tuning [76.1000380429553]
メタ構造因果モデル(meta-SCM)を開発し、異なるNLPタスクをデータの単一因果構造の下で統合する。
主なアイデアは、タスク要求因果関係を学習し、タスクの予測にのみそれらを使用することである。
論文 参考訳（メタデータ） (2024-02-09T07:12:56Z) - Task-Agnostic Continual Reinforcement Learning: Gaining Insights and
Overcoming Challenges [27.474011433615317]
連続学習(CL)は、一連のタスクから学習するモデルやエージェントの開発を可能にする。
タスクに依存しないCLとマルチタスク(MTL)エージェントのパフォーマンス差に寄与する要因について検討する。
論文 参考訳（メタデータ） (2022-05-28T17:59:00Z) - Fast Inference and Transfer of Compositional Task Structures for
Few-shot Task Generalization [101.72755769194677]
本稿では,タスクがサブタスクグラフによって特徴づけられる,数発の強化学習問題として定式化する。
我々のマルチタスクサブタスクグラフ推論器(MTSGI)は、トレーニングタスクから、まず、サブタスクグラフの観点から、一般的なハイレベルなタスク構造を推測する。
提案手法は,2次元グリッドワールドおよび複雑なWebナビゲーション領域において,タスクの共通基盤構造を学習し,活用し,未知のタスクへの適応を高速化する。
論文 参考訳（メタデータ） (2022-05-25T10:44:25Z) - A Multi-Task Deep Learning Framework for Building Footprint Segmentation [0.0]
足跡線構築タスクのための共同最適化方式を提案する。
また,画像再構成と建物足跡境界分割という2つの補助タスクも導入する。
特に、深層マルチタスク学習(MTL)ベースの統合完全畳み込みフレームワークを提案します。
論文 参考訳（メタデータ） (2021-04-19T15:07:27Z) - Task-Feature Collaborative Learning with Application to Personalized
Attribute Prediction [166.87111665908333]
本稿では,TFCL(Task-Feature Collaborative Learning)と呼ばれる新しいマルチタスク学習手法を提案する。
具体的には、まず、特徴とタスクの協調的なグループ化を活用するために、不均一なブロック対角構造正規化器を用いたベースモデルを提案する。
実際の拡張として,重なり合う機能と難易度を区別することで,基本モデルを拡張します。
論文 参考訳（メタデータ） (2020-04-29T02:32:04Z)
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。