論文の概要: Leveraging Foundation Models for Causal Generative Modeling

• arxiv url: http://arxiv.org/abs/2605.23861v1
• Date: Fri, 22 May 2026 17:20:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.441472
• Title: Leveraging Foundation Models for Causal Generative Modeling
• Title（参考訳）: 因果生成モデリングのための基礎モデルの活用
• Authors: Aneesh Komanduri, Xintao Wu,
• Abstract要約: 因果生成モデリングは、反実的推論が可能な信頼性と透明なAIシステムの開発に不可欠である。 FM-CGMは,事前学習した基礎モデルを用いたエンドツーエンドの視覚因果推論のためのモジュラーフレームワークである。 提案手法は, 妥当な因果構造を同定し, 忠実な反ファクト画像生成に適していることを示す。
• 参考スコア（独自算出の注目度）: 15.096798116117974
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal generative modeling is essential for developing reliable and transparent AI systems capable of counterfactual reasoning. While existing approaches focus on integrating causal constraints during the training of generative models, they often lack a unified framework to leverage the zero-shot reasoning capabilities of pretrained foundation models. We introduce FM-CGM, a modular framework for end-to-end visual causal reasoning using pretrained foundation models. FM-CGM formalizes the causal pipeline through three core components: a concept extractor, a concept manipulator, and a counterfactual generator. By leveraging a large reasoning model for causal inference and a text-to-image diffusion model for generation, our approach enables zero-shot causal discovery, intervention, and counterfactual generation. We then develop Causal Semantic Guidance (CSG), a cross-attention-based mechanism that ensures semantic interventions propagate to descendant concepts while preserving invariant regions. We empirically show that our approach can identify plausible causal structures and is suitable for faithful counterfactual image generation.
• Abstract（参考訳）: 因果生成モデリングは、反実的推論が可能な信頼性と透明なAIシステムの開発に不可欠である。 既存のアプローチでは、生成モデルのトレーニング中に因果制約を統合することに重点を置いているが、事前訓練された基礎モデルのゼロショット推論能力を活用するための統一されたフレームワークが欠如していることが多い。 FM-CGMは,事前学習した基礎モデルを用いたエンドツーエンドの視覚因果推論のためのモジュラーフレームワークである。 FM-CGMは因果パイプラインを3つのコアコンポーネント(概念抽出器、概念マニピュレータ、反事実生成器)で形式化する。 因果推論のための大きな推論モデルと生成のためのテキスト・ツー・イメージ拡散モデルを利用することで、ゼロショット因果発見、介入、および反事実生成を可能にする。 そこで我々は, 意味的介入が, 不変領域を保ちながら, 後継概念に伝播することを保証するクロスアテンションに基づくメカニズムであるCausal Semantic Guidance (CSG) を開発した。 本研究では,本手法が有意な因果構造を同定し,忠実な反実画像生成に適していることを実証的に示す。

関連論文リスト

• A Distributional View for Visual Mechanistic Interpretability: KL-Minimal Soft-Constraint Principle [77.72852487795772]
  本稿では,視覚力学的解釈可能性に関する理論的分布ビューを提案する。 このビューは、自然な画像分布に対する特徴アクティベーションの影響をモデル化する。 理論的に解釈可能性と忠実性のバランスをとる視覚的MIに対して,KL最小ソフト制約原理を用いたモデルを提案する。
  論文  参考訳（メタデータ） (2026-05-17T15:31:42Z)
• Demystifing Video Reasoning [71.53763299316041]
  ビデオモデルにおける推論は、主に拡散認知のステップに沿って現れることを示す。 モデル性能に重要ないくつかの創発的推論行動を特定する。 これらの知見に触発され、私たちは概念実証としてトレーニングフリー戦略を提示した。
  論文  参考訳（メタデータ） (2026-03-17T17:59:55Z)
• Beyond the Black Box: Identifiable Interpretation and Control in Generative Models via Causal Minimality [52.57416398859353]
  因果的最小性は、明確な因果的解釈と頑健でコンポーネント単位で識別可能な制御を持つ拡散視覚と自己回帰言語モデルの潜在表現を許容できることを示す。 我々は階層的選択モデルのための新しい理論的枠組みを導入し、より高レベルな概念は低レベルの変数の制約された構成から生まれる。 これらの因果的基礎を持つ概念は、きめ細かいモデルステアリングのレバーとして機能し、透明で信頼性の高いシステムへの道を開く。
  論文  参考訳（メタデータ） (2025-12-11T14:59:14Z)
• The Causal Round Trip: Generating Authentic Counterfactuals by Eliminating Information Loss [4.166536642958902]
  構造再構成誤差(SRE)を除去して因果音を発生させる最初の拡散型フレームワークであるBELM-MDCMを紹介する。 我々の研究は、古典的因果論の厳密さと近代的な生成モデルのパワーを調和させる。
  論文  参考訳（メタデータ） (2025-11-07T13:37:23Z)
• Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting [52.6508222408558]
  Eucidated Rolling Diffusion Models (ERDM)を紹介する。 ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである 2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-06-24T21:44:31Z)
• Causally Reliable Concept Bottleneck Models [4.411356026951205]
  概念に基づくモデルは、データに表される対象現象の根底にある真の因果メカニズムを説明できない。 実世界の因果メカニズムのモデルに基づいて構成された概念のボトルネックを通じて推論を強制する概念ベースアーキテクチャのクラスである、因果信頼概念ボトルネックモデル(C$2$BMs)を提案する。 C$2$BMは、精度を維持しながら、標準不透明モデルやコンセプトベースモデルのような介入に対する応答性を改善しつつ、より解釈可能で、因果的に信頼性が高いことを示す。
  論文  参考訳（メタデータ） (2025-03-06T12:06:54Z)
• Gumbel Counterfactual Generation From Language Models [64.55296662926919]
  対実的推論が介入と概念的に異なることを示す。 そこで本研究では,真の文字列反事実を生成するためのフレームワークを提案する。 提案手法は,従来の介入手法が望ましくない副作用を有意に生み出しているのに対し,本手法は有意義な反事実を生じさせることを示す。
  論文  参考訳（メタデータ） (2024-11-11T17:57:30Z)
• High Fidelity Image Counterfactuals with Probabilistic Causal Models [25.87025672100077]
  深部構造因果モデルを用いた高忠実度画像反事実の正確な推定のための因果生成モデルフレームワークを提案する。 我々は、因果媒介分析のアイデアと生成モデリングの進歩を活用し、因果モデルにおける構造変数の新しい深い因果機構を設計する。
  論文  参考訳（メタデータ） (2023-06-27T19:28:41Z)

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。