論文の概要: Embodied Interpretability: Linking Causal Understanding to Generalization in Vision-Language-Action Models

• arxiv url: http://arxiv.org/abs/2605.00321v1
• Date: Fri, 01 May 2026 01:00:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 17:43:28.802683
• Title: Embodied Interpretability: Linking Causal Understanding to Generalization in Vision-Language-Action Models
• Title（参考訳）: 身体的解釈可能性:視覚・言語・行動モデルにおける因果理解と一般化のリンク
• Authors: Hanxin Zhang, Mingshuo Xu, Abdulqader Dhafer, Shigang Yue, Hongbiao Dong, Zhou Daniel Hao,
• Abstract要約: 視覚領域の行動予測に対する因果的影響を推定するためのインターベンショナル意義スコア(Interventional Significance Score, ISS)を導入する。 ISSは既存の解釈可能性法よりも忠実な説明をしている。 これらの結果から, 介入帰属は, 実施方針における因果的不一致を識別するための簡易な診断手法である可能性が示唆された。
• 参考スコア（独自算出の注目度）: 2.26899556936815
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-Language-Action (VLA) policies often fail under distribution shift, suggesting that decisions may depend on spurious visual correlations rather than task-relevant causes. We formulate visual-action attribution as an interventional estimation problem. Accordingly, we introduce the Interventional Significance Score (ISS), an interventional masking procedure for estimating the causal influence of visual regions on action predictions, and the Nuisance Mass Ratio (NMR), a scalar measure of attribution to task-irrelevant features. We analyze the statistical properties of ISS and show that it admits unbiased estimation, and we characterize conditions under which action prediction error provides a valid proxy for causal influence. Experiments across diverse manipulation tasks indicate that NMR predicts generalization behavior and that ISS yields more faithful explanations than existing interpretability methods. These results suggest that interventional attribution provides a simple diagnostic approach for identifying causal misalignment in embodied policies.
• Abstract（参考訳）: VLA(Vision-Language-Action)ポリシーは、しばしば分散シフトの下で失敗し、意思決定はタスク関連の原因ではなく、突発的な視覚的相関に依存する可能性があることを示唆している。 我々は介入推定問題として視覚行動属性を定式化する。 そこで我々は,行動予測における視覚領域の因果的影響を推定するための介入マスキング手法であるInterventional Significance Score (ISS)と,タスク非関連特徴への帰属のスカラー尺度であるNuisance Mass Ratio (NMR)を紹介する。 ISSの統計特性を分析し,不偏推定を許容することを示すとともに,行動予測誤差が因果影響の有効なプロキシを提供する条件を特徴付ける。 多様な操作タスクにわたる実験は、NMRが一般化の挙動を予測し、ISSが既存の解釈可能性法よりも忠実に説明できることを示している。 これらの結果から, 介入帰属は, 実施方針における因果的不一致を識別するための簡易な診断手法である可能性が示唆された。

関連論文リスト

• Locally Explaining Prediction Behavior via Gradual Interventions and Measuring Property Gradients [8.39361023005333]
  ディープラーニングモデルは高い予測性能を達成するが、固有の解釈性は欠如している。 既存の局所的説明可能性法は、モデル予測の因果的要因を無視し、関連性に焦点を当てている。 本稿では、画像間編集モデルの最近の進歩を活用して、局所的介入説明のための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2025-03-07T13:50:37Z)
• Evaluating Interventional Reasoning Capabilities of Large Language Models [58.52919374786108]
  大規模言語モデル(LLM)は意思決定タスクを自動化するために使用される。 本稿では,LPMが介入に応じてデータ生成プロセスの知識を正確に更新できるかどうかを評価する。 さまざまな因果グラフ(例えば、コンバウンディング、仲介)と変数タイプにまたがるベンチマークを作成します。 これらのベンチマークにより、LLMが事実を記憶したり、他のショートカットを見つけたりすることで、変化を正確に予測する能力を切り離すことができます。
  論文  参考訳（メタデータ） (2024-04-08T14:15:56Z)
• Estimating the Causal Effects of Natural Logic Features in Transformer-Based NLI Models [16.328341121232484]
  文脈介入の効果を測定するために因果効果推定手法を適用した。 本研究はトランスフォーマーの無関係な変化に対する堅牢性と影響の高い変化に対する感受性について検討する。
  論文  参考訳（メタデータ） (2024-04-03T10:22:35Z)
• Identifiable Latent Neural Causal Models [82.14087963690561]
  因果表現学習は、低レベルの観測データから潜伏した高レベルの因果表現を明らかにすることを目指している。 因果表現の識別可能性に寄与する分布シフトのタイプを決定する。 本稿では,本研究の成果を実用的なアルゴリズムに翻訳し,信頼性の高い潜在因果表現の取得を可能にする。
  論文  参考訳（メタデータ） (2024-03-23T04:13:55Z)
• Bayesian Causal Inference with Gaussian Process Networks [1.7188280334580197]
  本稿では,ガウス過程ネットワークモデルにおける仮説的介入の効果のベイズ推定の問題について考察する。 本稿では,ネットワーク全体の介入の効果をシミュレートし,下流変数に対する介入の効果を伝播させることにより,GPNに対する因果推論を行う方法について述べる。 両フレームワークを既知の因果グラフのケースを超えて拡張し,マルコフ連鎖モンテカルロ法による因果構造の不確実性を取り入れた。
  論文  参考訳（メタデータ） (2024-02-01T14:39:59Z)
• Identifying Representations for Intervention Extrapolation [40.71983135640848]
  これらの介入がトレーニング時に観察されない場合でも、介入が結果にどのように影響するかを予測する。 我々は,介入が結果に非線形に影響を与えても,識別可能な表現は,この課題に対する効果的な解決策を提供することができることを示した。 本研究は, 合成実験により理論的知見を検証し, 未確認介入の効果を予測することに成功していることを示す。
  論文  参考訳（メタデータ） (2023-10-06T14:58:28Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Proximal Reinforcement Learning: Efficient Off-Policy Evaluation in Partially Observed Markov Decision Processes [65.91730154730905]
  医療や教育などの観察データへのオフライン強化学習の適用においては、観察された行動は観測されていない要因に影響される可能性があるという一般的な懸念がある。 ここでは、部分的に観察されたマルコフ決定過程(POMDP)における非政治評価を考慮し、この問題に取り組む。 我々は、近位因果推論の枠組みをPOMDP設定に拡張し、識別が可能となる様々な設定を提供する。
  論文  参考訳（メタデータ） (2021-10-28T17:46:14Z)
• Latent Causal Invariant Model [128.7508609492542]
  現在の教師付き学習は、データ適合プロセス中に急激な相関を学習することができる。 因果予測を求める潜在因果不変モデル(LaCIM)を提案する。
  論文  参考訳（メタデータ） (2020-11-04T10:00:27Z)

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。