論文の概要: Does Mechanistic Interpretability Transfer Across Data Modalities? A Cross-Domain Causal Circuit Analysis of Variational Autoencoders

• arxiv url: http://arxiv.org/abs/2603.21236v1
• Date: Sun, 22 Mar 2026 13:51:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.307096
• Title: Does Mechanistic Interpretability Transfer Across Data Modalities? A Cross-Domain Causal Circuit Analysis of Variational Autoencoders
• Title（参考訳）: データモダリティ間の機械的解釈可能性伝達は可能か? : 変分オートエンコーダのクロスドメイン因果回路解析
• Authors: Dip Roy, Rajiv Misra, Sanjay Kumar Singh, Anisha Roy,
• Abstract要約: タブラル画像関連変分オートエンコーダ(VAE)は、計算、異常検出、合成データ生成にますます利用されている。 本稿では、因果効果強度(CES)の後方校正、経路特異的アクティベーションパッチング、FGD(Feature-Group Disentanglement)の3つの新しい手法を紹介する。
• 参考スコア（独自算出の注目度）: 6.5607014897534865
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Although mechanism-based interpretability has generated an abundance of insight for discriminative network analysis, generative models are less understood -- particularly outside of image-related applications. We investigate how much of the causal circuitry found within image-related variational autoencoders (VAEs) will generalize to tabular data, as VAEs are increasingly used for imputation, anomaly detection, and synthetic data generation. In addition to extending a four-level causal intervention framework to four tabular and one image benchmark across five different VAE architectures (with 75 individual training runs per architecture and three random seed values for each run), this paper introduces three new techniques: posterior-calibration of Causal Effect Strength (CES), path-specific activation patching, and Feature-Group Disentanglement (FGD). The results from our experiments demonstrate that: (i) Tabular VAEs have circuits with modularity that is approximately 50% lower than their image counterparts. (ii) $β$-VAE experiences nearly complete collapse in CES scores when applied to heterogeneous tabular features (0.043 CES score for tabular data compared to 0.133 CES score for images), which can be directly attributed to reconstruction quality degradation (r = -0.886 correlation coefficient between CES and MSE). (iii) CES successfully captures nine of eleven statistically significant architecture differences using Holm--Šidák corrections. (iv) Interventions with high specificity predict the highest downstream AUC values (r = 0.460, p < .001). This study challenges the common assumption that architectural guidance from image-related studies can be transferred to tabular datasets.
• Abstract（参考訳）: メカニズムベースの解釈可能性は、識別的ネットワーク分析のための洞察を大量に生み出しているが、生成モデルは理解されていない。 本稿では,画像関連変分オートエンコーダ(VAE)の因果回路のどれ程が表データに一般化されるかを検討する。 4段階の因果介入フレームワークを4つの表と1つの画像ベンチマークに拡張する(アーキテクチャ毎に75の個別のトレーニングを実行し、各実行毎に3つのランダムなシード値を持つ)ことに加え、本研究では、因果効果強度の後方校正(CES)、経路固有のアクティベーションパッチ、特徴群アンタングルメント(FGD)という3つの新しい手法を紹介した。 実験の結果は以下のとおりである。 (i)タブラルVAEは、画像よりも約50%低いモジュラリティの回路を有する。 (ii)$β$-VAEは、不均一な表形式の特徴(画像の0.133CESスコアと比較して0.043CESスコア)に適用すると、CESのスコアがほぼ完全に崩壊する(r =-0.886相関係数)。 (iii)CESでは,ホルム・ジダーク補正を用いて,統計的に重要な11のアーキテクチャ違いの9つを捉えた。 (4)高い特異性を有する介入は、最も下流のAUC値(r = 0.460, p < .001)を予測する。 本研究は,画像関連研究からのアーキテクチャガイダンスを表付きデータセットに転送できるという一般的な仮定に挑戦する。

関連論文リスト

• HypCBC: Domain-Invariant Hyperbolic Cross-Branch Consistency for Generalizable Medical Image Analysis [1.8747639074211104]
  医用画像解析における双曲表現学習の総合的検証について述べる。 我々は11の分布内データセットと3つのViTモデルに対して統計的に有意な利得を示した。 提案手法は,ドメイン不変性を促進し,平均2.1%のAUCで最先端のユークリッド法より優れる。
  論文  参考訳（メタデータ） (2026-02-03T08:50:24Z)
• ShortcutBreaker: Low-Rank Noisy Bottleneck with Global Perturbation Attention for Multi-Class Unsupervised Anomaly Detection [59.89803740308262]
  ShortcutBreakerはMUADタスクのための新しい統合された機能再構成フレームワークである。 ショートカットの問題に対処する2つの重要なイノベーションが特徴だ。 提案手法は,4つのデータセットに対して,99.8%,98.9%,90.6%,87.8%の顕著な画像レベルのAUROCを実現する。
  論文  参考訳（メタデータ） (2025-10-21T06:51:30Z)
• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• MoCap-Impute: A Comprehensive Benchmark and Comparative Analysis of Imputation Methods for IMU-based Motion Capture Data [4.498558555177452]
  ウェアラブル慣性計測ユニット(IMU)のモーションキャプチャ(MoCap)データは、スポーツ科学の応用に不可欠である。 多くの計算手法にもかかわらず、IMU由来のMoCap時系列データの体系的性能評価は欠落している。
  論文  参考訳（メタデータ） (2025-07-14T14:41:19Z)
• Pose Matters: Evaluating Vision Transformers and CNNs for Human Action Recognition on Small COCO Subsets [0.0]
  本研究では,COCO画像コーパスの3クラスサブセットを用いた人間の認識について検討する。 バイナリビジョン変換器(ViT)は90%の平均テスト精度を達成した。
  論文  参考訳（メタデータ） (2025-06-13T11:16:50Z)
• Causal Intervention Framework for Variational Auto Encoder Mechanistic Interpretability [0.0]
  本稿では,変分オートエンコーダ(VAE)の機械的解釈性に対する包括的因果介入フレームワークを提案する。 VAEの「回路モチーフ」を識別・解析する手法を開発し、ネットワーク層を通して意味的要因がどのようにコード化され、処理され、そして切り離されているかを調べる。 その結果、我々の介入は機能回路の分離に成功し、計算グラフを意味因子の因果グラフにマッピングし、多意味単位と単意味単位を区別できることがわかった。
  論文  参考訳（メタデータ） (2025-05-06T13:40:59Z)
• OCT-SelfNet: A Self-Supervised Framework with Multi-Modal Datasets for Generalized and Robust Retinal Disease Detection [2.3349787245442966]
  本研究は、眼疾患を検出するための自己教師付き堅牢な機械学習フレームワークであるOCT-SelfNetに貢献する。 本手法は,自己指導型事前学習と教師型微調整を組み合わせた2段階学習手法を用いてこの問題に対処する。 AUC-PR測定では,提案手法は42%を超え,ベースラインに比べて10%以上の性能向上を示した。
  論文  参考訳（メタデータ） (2024-01-22T20:17:14Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
  安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。 ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。 しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。 我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
  論文  参考訳（メタデータ） (2023-08-24T01:30:18Z)
• Vision Transformers are Robust Learners [65.91359312429147]
  ビジョントランスフォーマー(ViT)の一般的な腐敗や摂動、分布シフト、自然逆転例に対する堅牢性について検討します。 ViTsが実際により堅牢な学習者である理由を説明するために、定量的および定性的な指標を提供する分析を提示します。
  論文  参考訳（メタデータ） (2021-05-17T02:39:22Z)

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。