論文の概要: CausalVAD: De-confounding End-to-End Autonomous Driving via Causal Intervention

• arxiv url: http://arxiv.org/abs/2603.18561v1
• Date: Thu, 19 Mar 2026 07:21:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:05.999571
• Title: CausalVAD: De-confounding End-to-End Autonomous Driving via Causal Intervention
• Title（参考訳）: CausalVAD:Causalインターベンションによるエンドツーエンド自動運転の分離
• Authors: Jiacheng Tang, Zhiyuan Zhou, Zhuolin He, Jia Zhang, Kai Zhang, Jian Pu,
• Abstract要約: 計画指向のエンドツーエンド駆動モデルは、真の因果関係ではなく統計的相関を学習する。 この脆弱性は因果的混乱を引き起こし、モデルがショートカットとしてデータセットバイアスを利用する。 CausalVADは因果的介入を生かした非融合トレーニングフレームワークである。
• 参考スコア（独自算出の注目度）: 24.03101162891974
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Planning-oriented end-to-end driving models show great promise, yet they fundamentally learn statistical correlations instead of true causal relationships. This vulnerability leads to causal confusion, where models exploit dataset biases as shortcuts, critically harming their reliability and safety in complex scenarios. To address this, we introduce CausalVAD, a de-confounding training framework that leverages causal intervention. At its core, we design the sparse causal intervention scheme (SCIS), a lightweight, plug-and-play module to instantiate the backdoor adjustment theory in neural networks. SCIS constructs a dictionary of prototypes representing latent driving contexts. It then uses this dictionary to intervene on the model's sparse vectorized queries. This step actively eliminates spurious associations induced by confounders, thereby eliminating spurious factors from the representations for downstream tasks. Extensive experiments on benchmarks like nuScenes show CausalVAD achieves state-of-the-art planning accuracy and safety. Furthermore, our method demonstrates superior robustness against both data bias and noisy scenarios configured to induce causal confusion.
• Abstract（参考訳）: 計画指向のエンドツーエンド駆動モデルは非常に有望であるが、真の因果関係ではなく統計的相関を根本的に学習する。 この脆弱性は因果的混乱を引き起こし、モデルがデータセットバイアスをショートカットとして利用し、複雑なシナリオにおける信頼性と安全性を著しく損なう。 そこで本研究では,因果介入を利用した非融合トレーニングフレームワークCausalVADを紹介する。 その中核として,ニューラルネットワークのバックドア調整理論をインスタンス化する軽量なプラグアンドプレイモジュールであるスパース因果介入スキーム(SCIS)を設計する。 SCISは、潜伏運転状況を表すプロトタイプの辞書を構築する。 次に、この辞書を使用して、モデルのスパースベクトル化クエリに介入する。 このステップは、共同創設者によって引き起こされる刺激的な関連を積極的に排除し、下流タスクの表現から刺激的な要因を排除します。 nuScenesのようなベンチマークに関する大規模な実験は、CausalVADが最先端の計画精度と安全性を達成することを示している。 さらに,本手法は,因果的混乱を引き起こすように構成された,データバイアスと雑音シナリオの両方に対して優れたロバスト性を示す。

関連論文リスト

• CausalFlip: A Benchmark for LLM Causal Judgment Beyond Semantic Matching [50.65932158912512]
  そこで我々は,新しい大言語モデルの開発を促進するために,因果推論ベンチマークCausalFlipを提案する。 CaulFlipは、イベントトリプル上に構築された因果判断の質問で構成されており、共同創設者、チェーン、コライダーの関係が異なっている。 回答のみのトレーニング,明示的なチェーン・オブ・ソート監視,そして内在型因果推論アプローチなどを含む,複数の訓練パラダイムによるLCMの評価を行った。
  論文  参考訳（メタデータ） (2026-02-23T18:06:15Z)
• Guided Verifier: Collaborative Multimodal Reasoning via Dynamic Process Supervision [11.159231524113764]
  マルチモーダル大規模言語モデル(MLLM)の複雑な推論能力を高めるための重要なメカニズムとして強化学習(RL)が登場した。 本稿では,これらの構造的制約に対処する textbfGuided Verifier フレームワークを提案する。 我々は,マルチモーダル幻覚をターゲットとした特殊なデータ合成パイプラインを開発し,プロセスレベルの負の textbfCoRe データセットとtextbfCorrect-guide textbfReasoning トラジェクトリを構築し,ガイド付き検証器を訓練する。
  論文  参考訳（メタデータ） (2026-02-04T07:38:42Z)
• Every Step Counts: Decoding Trajectories as Authorship Fingerprints of dLLMs [63.82840470917859]
  本稿では,dLLMの復号化機構をモデル属性の強力なツールとして利用できることを示す。 本稿では、デコードステップ間の構造的関係を捉え、モデル固有の振る舞いをよりよく明らかにする、DDM(Directed Decoding Map)と呼ばれる新しい情報抽出手法を提案する。
  論文  参考訳（メタデータ） (2025-10-02T06:25:10Z)
• Toward Causal-Visual Programming: Enhancing Agentic Reasoning in Low-Code Environments [6.0333285356716]
  Causal-Visual Programming (CVP)は、ワークフローモジュールのためのシンプルな"世界モデル"を、直感的にローコードインターフェースで定義することができる。 この因果グラフは、エージェントの推論プロセスにおいて重要な制約として機能し、その決定をユーザ定義因果構造に固定する。 CVPは、より解釈可能で信頼性があり、信頼できるAIエージェントを構築するための実行可能な道を提供する。
  論文  参考訳（メタデータ） (2025-09-29T08:01:31Z)
• AdvChain: Adversarial Chain-of-Thought Tuning for Robust Safety Alignment of Large Reasoning Models [62.70575022567081]
  本稿では,逆CoTチューニングによる動的自己補正をモデルに教えるアライメントパラダイムであるAdvChainを提案する。 私たちの仕事は、より堅牢で信頼性の高い推論モデルを構築するための新しい方向性を確立します。
  論文  参考訳（メタデータ） (2025-09-29T04:27:23Z)
• Beyond Patterns: Harnessing Causal Logic for Autonomous Driving Trajectory Prediction [10.21659221112514]
  本稿では、因果推論を利用して予測堅牢性、一般化、精度を向上させる新しい軌道予測フレームワークを提案する。 本研究は、軌跡予測の因果推論の可能性を強調し、ロバストな自律運転システムへの道を開くものである。
  論文  参考訳（メタデータ） (2025-05-11T05:56:07Z)
• Deep Autoregressive Models as Causal Inference Engines [38.26602521505842]
  本稿では、複雑な共同ファウンダーやシーケンシャルアクションを扱える自己回帰的因果推論フレームワークを提案する。 提案手法は,基礎となる因果図からトークンの列へとデータを変換するemシーケンシフィケーションを用いてこれを実現している。 我々は,CIに適応したARモデルは,迷路をナビゲートしたり,チェスのエンドゲームを行ったり,あるキーワードが紙の受容率に与える影響を評価するなど,様々な複雑な応用において効率的かつ効果的であることが実証された。
  論文  参考訳（メタデータ） (2024-09-27T09:37:09Z)
• Inducing Causal Structure for Abstractive Text Summarization [76.1000380429553]
  要約データの因果構造を誘導する構造因果モデル(SCM)を導入する。 本稿では因果的要因を模倣できる因果的表現を学習するための因果性インスピレーション付き系列列列モデル(CI-Seq2Seq)を提案する。 2つの広く使われているテキスト要約データセットの実験結果は、我々のアプローチの利点を示している。
  論文  参考訳（メタデータ） (2023-08-24T16:06:36Z)
• Causal Disentangled Variational Auto-Encoder for Preference Understanding in Recommendation [50.93536377097659]
  本稿では,コメンテータシステムにおける対話データから因果不整合表現を学習するためのCaD-VAE(Causal Disentangled Variational Auto-Encoder)を提案する。 この手法は構造因果モデルを用いて、潜在因子間の因果関係を記述する因果表現を生成する。
  論文  参考訳（メタデータ） (2023-04-17T00:10:56Z)
• Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
  因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。 この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。 実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
  論文  参考訳（メタデータ） (2020-08-02T11:19:36Z)

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。