論文の概要: Causal Variational Deep Embedding: A Family of Interventional Generators for Confounded Images

• arxiv url: http://arxiv.org/abs/2606.21806v1
• Date: Fri, 19 Jun 2026 23:59:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 03:04:28.725919
• Title: Causal Variational Deep Embedding: A Family of Interventional Generators for Confounded Images
• Title（参考訳）: 因果変化深層埋め込み:画像合成のためのインターベンショナルジェネレータの一家系
• Authors: Jingyuan Chen, Kangrui Ruan, Junzhe Zhang,
• Abstract要約: CauVaDEは多様な介入サンプルを生成し、未確立の参照に対してFIDを改善している。 画像データベンチマークの実験では、CauVaDEは様々な介入サンプルを生成し、未確立の参照に対してFIDを改善している。
• 参考スコア（独自算出の注目度）: 23.146237151956765
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep generative models reproduce the observational distribution of their training data, inheriting any spurious associations it contains. A common source is an unobserved confounder that shapes both an attribute the user wants to control at sampling time and an attribute expected to vary in response. Existing causal generative approaches resolve the resulting ambiguity by imposing structural assumptions strong enough to single out one interventional distribution; in image domains, such assumptions are rarely warranted, and the data is generally consistent with a set of distinct causal mechanisms -- a feasible region of interventional distributions. We propose CauVaDE (Causal Variational Deep Embedding), built on a canonical augmented SCM in which the unobserved confounder collapses, without loss of generality, into a discrete latent cluster of bounded support while continuous variation is absorbed into independent noises. We prove that this canonical class is dense, in both observational and interventional Wasserstein distance, in the class of augmented SCMs compatible with a given causal diagram, and instantiate it as a mixture variational autoencoder whose cluster variable plays the role of the canonical confounder. An entropy regularizer with weight $γ$ on the cluster posterior then traces a family of candidate causal effects that fit the observational data to comparable likelihood while spanning the feasible region. Experiments on image data benchmarks show that CauVaDE produces diverse interventional samples and improves FID against an unconfounded reference.
• Abstract（参考訳）: 深層生成モデルでは、トレーニングデータの観察的分布を再現し、それらを含む刺激的な関連を継承する。 共通のソースは、ユーザがサンプリング時にコントロールしたい属性と、応答が異なると思われる属性の両方を形作る、観測されていない共同創設者である。 既存の因果生成的アプローチは、1つの介入分布を選別するのに十分な構造的仮定を課すことによって、結果の曖昧さを解決する。 本稿では,CauVaDE(Causal Variational Deep Embedding,Causal Variational Deep Embedding)を提案する。 この正準クラスは、観測的および干渉的ワッサーシュタイン距離において、与えられた因果図に適合する拡張SCMのクラスにおいて密度が高いことを証明し、クラスタ変数が正準共同創設者の役割を担う混合変分オートエンコーダとしてインスタンス化する。 クラスター後部の重量$γ$のエントロピー正則化器は、観測データに匹敵する確率に適合する候補因果効果の族を辿り、実現可能な領域にまたがる。 画像データベンチマークの実験では、CauVaDEは様々な介入サンプルを生成し、未確立の参照に対してFIDを改善している。

関連論文リスト

• Causal Representation Learning from General Environments under Nonparametric Mixing [33.30496046313375]
  因果表現学習は、潜伏因果変数とその因果関係を低レベルの観測から回復することを目的としている。 より広い環境のクラスに適用可能な因果表現学習のためのデシラタの集合を定式化する。 我々は,非パラメトリック混合関数の下で潜伏変数を完全復元し,最小限の不定値まで同定できることを示す。
  論文  参考訳（メタデータ） (2026-04-26T16:47:48Z)
• Controllable Generative Sandbox for Causal Inference [9.416664327739516]
  CausalMixは因果推論のための変分生成フレームワークである。 安定した微粒な因果制御を提供しながら、混合型テーブル上で最先端の分散メトリクスを実現する。 転移性キャスティング抵抗性前立腺癌治療における安全性の比較検討において実用的有用性を示した。
  論文  参考訳（メタデータ） (2026-03-03T23:37:05Z)
• Spatial Reasoning with Denoising Models [49.83744014336816]
  本稿では,連続変数の集合に対する推論を行うためのフレームワークを提案する。 初めて、その生成順序をデノナイジングネットワーク自体によって予測できる。 これらの結果から,特定の推論タスクの精度を1%から50%に向上させることができる。
  論文  参考訳（メタデータ） (2025-02-28T14:08:30Z)
• Invariant Anomaly Detection under Distribution Shifts: A Causal Perspective [6.845698872290768]
  異常検出(AD、Anomaly Detection)は、異常なサンプルを識別する機械学習タスクである。 分散シフトの制約の下では、トレーニングサンプルとテストサンプルが同じ分布から引き出されるという仮定が崩壊する。 我々は,異常検出モデルのレジリエンスを,異なる種類の分布シフトに高めようとしている。
  論文  参考訳（メタデータ） (2023-12-21T23:20:47Z)
• Model-based causal feature selection for general response types [8.228587135343071]
  Invariant causal prediction (ICP) は、不均一な設定からのデータを必要とする因果的特徴選択の手法である。 我々は変換モデル(TRAM)ベースのICPを開発し、連続的、分類的、カウント型、非形式的に検閲された応答を可能にする。 我々は、オープンソースのRパッケージ「tramicp」を提供し、シミュレーションデータに対する我々のアプローチを評価し、重篤な患者の生存の因果的特徴を調査する事例研究を行った。
  論文  参考訳（メタデータ） (2023-09-22T12:42:48Z)
• 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)
• Breaking the Spurious Causality of Conditional Generation via Fairness Intervention with Corrective Sampling [77.15766509677348]
  条件生成モデルは、トレーニングデータセットから急激な相関を継承することが多い。 これは別の潜在属性に対して不均衡なラベル条件分布をもたらす。 この問題を緩和するための一般的な2段階戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-05T08:09:33Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• GANs with Variational Entropy Regularizers: Applications in Mitigating the Mode-Collapse Issue [95.23775347605923]
  深層学習の成功に基づいて、GAN(Generative Adversarial Networks)は、観測されたサンプルから確率分布を学習するための現代的なアプローチを提供する。 GANはしばしば、ジェネレータが入力分布の既存のすべてのモードをキャプチャできないモード崩壊問題に悩まされる。 情報理論のアプローチを採り、生成したサンプルのエントロピーの変動的下限を最大化し、それらの多様性を増大させる。
  論文  参考訳（メタデータ） (2020-09-24T19:34:37Z)
• NestedVAE: Isolating Common Factors via Weak Supervision [45.366986365879505]
  我々は、バイアス低減の課題と、ドメイン間で共通する分離要因の関係を同定する。 共通因子を分離するために、潜伏変数モデルの理論と情報ボトルネック理論を組み合わせる。 共有重みを持つ2つの外部VAEは入力を再構成し、潜伏空間を推論し、一方、ネストされたVAEはペア化された画像の潜伏表現から1つの画像の潜伏表現を再構成しようとする。
  論文  参考訳（メタデータ） (2020-02-26T15:49:57Z)

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。