論文の概要: Concept Modulation Models: A Unified Framework for Identifiability and Extrapolation

• arxiv url: http://arxiv.org/abs/2606.18509v1
• Date: Tue, 16 Jun 2026 21:53:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:50.907763
• Title: Concept Modulation Models: A Unified Framework for Identifiability and Extrapolation
• Title（参考訳）: 概念変調モデル: Identifiabilityと外挿のための統一フレームワーク
• Authors: Soheun Yi, Yizhou Lu, Chandler Squires, Pradeep Ravikumar,
• Abstract要約: 本稿では,Cto X$ の構造を持つ条件付き生成モデルの属性付きクラスである概念変調モデル (CMMs) を紹介する。 我々は,CMMが条件設定に対する識別性を高めるために,CMMクラスによって制約された潜在概念遷移を誘導することを示す。
• 参考スコア（独自算出の注目度）: 19.425749551382093
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable generalization in conditional latent variable models requires understanding both identifiability and extrapolation: how observed variation across attributes determines latent structure, and how that structure determines distributions at unseen attributes. However, existing identifiability and extrapolation guarantees are largely model-specific, with separate analyses in nonlinear ICA, causal representation learning, perturbation modeling, and related conditional latent variable models. We introduce concept modulation models (CMMs), an attribute-indexed class of conditional generative models with structure $A\to Λ\to C\to X$, where attributes select modulators, modulators induce latent concept laws, and concepts generate observed features. CMMs lift transition-based identifiability to conditional settings by showing that feature agreement on observed attributes induces a latent concept transition constrained by the CMM class. We express these constraints through attribute potentials, log-density ratios between attribute-conditioned concept laws, separating the generic lifting step from model-specific rigidity arguments. The same potentials control extrapolation: agreement at unseen attributes holds exactly when the transported attribute-potential identities extend to those attributes. This yields algebraic extrapolation criteria, identifies the common potential-based proof objects behind several existing identifiability and extrapolation results, and, when combined with the model-specific rigidity arguments in those works, recovers their stated conclusions.
• Abstract（参考訳）: 条件付き潜在変数モデルの信頼性の高い一般化には、識別可能性と外挿の両方を理解する必要がある。 しかし、既存の識別可能性と外挿保証は、主にモデル固有であり、非線形ICA、因果表現学習、摂動モデリング、および関連する条件付き潜在変数モデルでは別々に分析されている。 本稿では,CMM(ConceptModulation Model)を導入し,CMM(ConceptModulation Model)とCMM(Consumation Indexed Class of Conditional Generative Model)について述べる。 CMMは、CMMクラスによって制約された潜在概念遷移を誘導することを示し、条件付き設定への遷移に基づく識別性を引き上げる。 これらの制約を属性ポテンシャル、属性条件付き概念法則間の対数密度比を通じて表現し、モデル固有の剛性引数から一般的なリフトステップを分離する。 同じポテンシャルが外挿を制御する: 未知の属性での一致は、輸送された属性とポテンシャルのアイデンティティがそれらの属性に拡張されたときに正確に保持される。 これは代数的外挿基準を導き、いくつかの既存の識別可能性と外挿結果の背後にある共通のポテンシャルベースの証明対象を特定し、それらの研究におけるモデル固有の剛性引数と組み合わせると、それらの結論を回復する。

関連論文リスト

• Relational Structural Causal Models [52.818153111470394]
  我々は、関係構造因果モデルを開発し、対象とその関係が変化する設定まで構造因果モデルを拡張した。 シミュレーションされた交通シーンにおいて,非関係性ベースラインよりも高い精度で再現可能なモデルであるリレーショナルニューラル因果モデルを提案する。
  論文  参考訳（メタデータ） (2026-06-12T18:54:06Z)
• Statistical and structural identifiability in representation learning [31.990445585569688]
  我々は統計的識別可能性と構造的識別可能性という2つの異なる概念を定式化する。 非線形デコーダを持つモデルの表現に対して,統計的に$$-near-identifiabilityの結果が証明される。 データ生成プロセスに関する追加の仮定により、統計的識別性は構造的識別性にまで拡張される。
  論文  参考訳（メタデータ） (2026-03-12T14:19:58Z)
• Model Correlation Detection via Random Selection Probing [62.093777777813756]
  既存の類似性に基づく手法では、モデルパラメータにアクセスしたり、しきい値なしでスコアを生成する必要がある。 本稿では,モデル相関検出を統計的テストとして定式化する仮説テストフレームワークであるランダム選択探索(RSP)を紹介する。 RSPは相関の証拠を定量化する厳密なp-値を生成する。
  論文  参考訳（メタデータ） (2025-09-29T01:40:26Z)
• Measuring axiomatic soundness of counterfactual image models [24.749839878737884]
  本稿では,画像の反現実性を評価するための一般的な枠組みを提案する。 我々は,反事実を入力変数とその親と反事実親の関数として定義する。 本稿では、これらの指標を用いて、異なる近似反事実推論モデルの比較と選択を行う方法について述べる。
  論文  参考訳（メタデータ） (2023-03-02T13:59:07Z)
• Representation Disentaglement via Regularization by Causal Identification [3.9160947065896803]
  本稿では,不整合表現学習における基礎となるデータ生成過程の仮定を記述するために,因果コライダー構造モデルを提案する。 そこで本研究では,大規模生成モデルの挙動を因果同定によって課される絡み合った制約に整合させるモジュール型正規化エンジンReIを提案する。
  論文  参考訳（メタデータ） (2023-02-28T23:18:54Z)
• Indeterminacy in Latent Variable Models: Characterization and Strong Identifiability [3.959606869996233]
  潜在変数モデルの不確定性を解析するための理論的枠組みを構築する。 次に、強く識別可能な潜在変数モデルを特定する方法について検討する。
  論文  参考訳（メタデータ） (2022-06-02T00:01:27Z)
• Explainability in Process Outcome Prediction: Guidelines to Obtain Interpretable and Faithful Models [77.34726150561087]
  本稿では、プロセス結果予測の分野における説明可能性モデルと説明可能性モデルの忠実性を通して、説明可能性を定義する。 本稿では,イベントログの仕様に基づいて適切なモデルを選択することのできる,X-MOPというガイドラインのセットを提案する。
  論文  参考訳（メタデータ） (2022-03-30T05:59:50Z)
• Translational Concept Embedding for Generalized Compositional Zero-shot Learning [73.60639796305415]
  一般合成ゼロショット学習は、ゼロショット方式で属性オブジェクト対の合成概念を学習する手段である。 本稿では,これら2つの課題を統一的なフレームワークで解決するために,翻訳概念の埋め込み(translational concept embedded)という新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2021-12-20T21:27:51Z)
• Equivalence of Segmental and Neural Transducer Modeling: A Proof of Concept [56.46135010588918]
  RNN-Transducerモデルとセグメントモデル(直接HMM)の広く使われているクラスが等価であることを証明する。 空白確率はセグメント長確率に変換され,その逆も示された。
  論文  参考訳（メタデータ） (2021-04-13T11:20:48Z)
• 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)
• ICE-BeeM: Identifiable Conditional Energy-Based Deep Models Based on Nonlinear ICA [11.919315372249802]
  確率モデルの同定可能性理論を考察する。 我々は,独立に修飾されたコンポーネント分析の枠組みにおけるコンポーネントの推定に,我々のモデルを利用できることを示す。
  論文  参考訳（メタデータ） (2020-02-26T14:43:30Z)

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。