論文の概要: A Dialogue between Causal and Traditional Representation Learning: Toward Mutual Benefits in a Unified Formulation

• arxiv url: http://arxiv.org/abs/2605.21058v1
• Date: Wed, 20 May 2026 11:43:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.648179
• Title: A Dialogue between Causal and Traditional Representation Learning: Toward Mutual Benefits in a Unified Formulation
• Title（参考訳）: 因果的表現学習と伝統的な表現学習の対話--統一された定式化における相互利益に向けて
• Authors: Yan Li, Yuewen Sun, Shaoan Xie, Gongxu Luo, Yunlong Deng, Kun Zhang, Guangyi Chen,
• Abstract要約: 因果表現学習と伝統的な表現学習は、様々な軌道に沿って大きく発展してきた。 これら2つの分野は、異なるパラダイムとして扱われるのではなく、対話に含めるべきである、と我々は主張する。
• 参考スコア（独自算出の注目度）: 20.79575403725719
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal representation learning (CRL) and traditional representation learning have largely developed along different trajectories. Traditional representation learning has been driven mainly by applications and empirical objectives, whereas CRL has focused more on theoretical questions, particularly identifiability. This difference in emphasis has created a gap between the two fields in terminology, problem formulation, and evaluation, limiting communication and sometimes leading to disconnected or redundant efforts. In this paper, we argue that these two fields should be brought into dialogue rather than treated as separate paradigms. To this end, we introduce a unified formulation in which the representation learning is characterized by two components: a task component, which specifies what information the learned representation is required to preserve, and a constraint component, which specifies what structure is imposed on the latent space. Under this formulation, the benefits run in both directions. CRL provides theoretical tools for understanding when structured latent constraints are useful or necessary, while traditional representation learning offers practical insights on task design and objective choice that can improve the development of CRL methods. To illustrate this interaction, we experimentally study how different task components affect the behavior of CRL methods under different structured constraints. Results on CausalVerse show that the effectiveness of causal constraints depends strongly on the tasks with which they are paired.
• Abstract（参考訳）: 因果表現学習(CRL)と従来の表現学習は、様々な軌道に沿って大きく発展してきた。 従来の表現学習は、主に応用と経験的目的によって推進され、CRLは理論的な問題、特に識別可能性に焦点を当ててきた。 この強調の差は、用語学、問題定式化、評価の2つの分野の間にギャップを生じさせ、コミュニケーションを制限し、時には非連結的あるいは冗長な努力につながる。 本稿では,これら2つの分野を,個別のパラダイムとして扱うのではなく,対話に含めるべきだと論じる。 この目的のために、表現学習を特徴付ける統一的な定式化を導入する。これは、学習した表現が保持するために必要な情報を特定するタスクコンポーネントと、潜在空間に課される構造を特定する制約コンポーネントである。 この定式化の下では、利点は両方の方向で行われる。 CRLは構造化潜在制約が有用か必要かを理解するための理論的ツールを提供する一方、従来の表現学習はタスク設計およびCRLメソッドの開発を改善する客観的選択に関する実践的な洞察を提供する。 この相互作用を説明するために,異なる制約条件下でのCRL法の挙動に異なるタスク成分がどう影響するかを実験的に検討した。 CausalVerseの結果は、因果制約の有効性は、それらがペアになっているタスクに強く依存していることを示している。

関連論文リスト

• Understanding Catastrophic Interference: On the Identifibility of Latent Representations [67.05452287233122]
  破滅的な干渉、あるいは破滅的な忘れ(Caastrophic forgetting)は、機械学習の根本的な課題である。 本稿では,破滅的干渉を識別問題として定式化する新しい理論枠組みを提案する。 我々のアプローチは、合成データセットとベンチマークデータセットの両方で理論的保証と実用的なパフォーマンスの改善を提供する。
  論文  参考訳（メタデータ） (2025-09-27T00:53:32Z)
• Can One Domain Help Others? A Data-Centric Study on Multi-Domain Reasoning via Reinforcement Learning [32.665418383317224]
  本稿では,RLVRフレームワーク内でのマルチドメイン推論を体系的に検討する。 数学的推論、コード生成、論理パズル解という3つの主要な領域に注目します。 私たちの結果は、ドメイン間相互作用を管理するダイナミクスに関する重要な洞察を与えます。
  論文  参考訳（メタデータ） (2025-07-23T13:51:04Z)
• Continual Learning Should Move Beyond Incremental Classification [51.23416308775444]
  連続学習(Continuous Learning, CL)は、動的環境における知識の蓄積に関わる機械学習のサブフィールドである。 ここでは、このような焦点を維持することは、CL法の理論的発展と実践的適用性の両方を制限すると論じる。 C1) 学習課題における連続性の性質,(C2) 類似性を測定するための適切な空間とメトリクスの選択,(C3) 学習目標が分類を超えた役割である。
  論文  参考訳（メタデータ） (2025-02-17T15:40:13Z)
• Learning by Doing: An Online Causal Reinforcement Learning Framework with Causal-Aware Policy [38.86867078596718]
  我々は、図形因果モデルを用いて、状態の生成過程を明示的にモデル化することを検討する。 我々は、環境のアクティブな介入学習とRL相互作用プロセスに更新する因果構造を定式化する。
  論文  参考訳（メタデータ） (2024-02-07T14:09:34Z)
• SSL Framework for Causal Inconsistency between Structures and Representations [31.895570222735955]
  因果発見と深層学習の相互補間は、ますます広範囲にわたる相互作用を引き起こしている。 不確定データは、因果構造によって表現される因果関係と、深層学習モデルによって生成される因果表現との間に矛盾がある。 因果不整合を軽減するために,介入に基づく自己教師型学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-28T08:29:49Z)
• Conceptual Reinforcement Learning for Language-Conditioned Tasks [20.300727364957208]
  言語条件付き政策における概念的共同表現を学習するための概念強化学習(CRL)フレームワークを提案する。 鍵となる洞察は、概念は人間のインスタンスや現実世界の状況におけるコンパクトで不変な表現であるということである。
  論文  参考訳（メタデータ） (2023-03-09T07:01:06Z)
• Disentangled Representation Learning [46.51815065323667]
  Disentangled Representation Learning (DRL) は、観測可能なデータに隠された基礎的要因を表現形式で識別し、切り離すことができるモデルを学習することを目的としている。 我々は、モチベーション、定義、方法論、評価、応用、モデル設計を含む様々な側面からDRLを包括的に調査する。
  論文  参考訳（メタデータ） (2022-11-21T18:14:38Z)
• Contextualize Me -- The Case for Context in Reinforcement Learning [49.794253971446416]
  文脈強化学習(cRL)は、このような変化を原則的にモデル化するためのフレームワークを提供する。 我々は,cRLが有意義なベンチマークや一般化タスクに関する構造化推論を通じて,RLのゼロショット一般化の改善にどのように貢献するかを示す。
  論文  参考訳（メタデータ） (2022-02-09T15:01:59Z)
• Which Mutual-Information Representation Learning Objectives are Sufficient for Control? [80.2534918595143]
  相互情報は、データの表現を学習するために魅力的な形式を提供する。 本稿では,最適政策の学習と表現のための状態表現の十分性について定式化する。 意外なことに、これらの2つの目的は、MDPの構造に関する軽度で一般的な仮定を前提に、不十分な表現をもたらす可能性がある。
  論文  参考訳（メタデータ） (2021-06-14T10:12:34Z)

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。