論文の概要: CouCE: A Unified Causal Framework for Debiased Deep Metric Learning

• arxiv url: http://arxiv.org/abs/2606.30365v1
• Date: Mon, 29 Jun 2026 14:28:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.280302
• Title: CouCE: A Unified Causal Framework for Debiased Deep Metric Learning
• Title（参考訳）: CouCE:Debiased Deep Metric Learningのための統一因果フレームワーク
• Abstract要約: Counterfactual Causal Embedding (CouCE)は、両共同創業者を明示的にモデル化し、中立化する統一因果関係のフレームワークである。 CouCEは一貫して最先端のパフォーマンスを達成し、デバイアスドDMLの原則的かつ堅牢なソリューションを提供する。
• 参考スコア（独自算出の注目度）: 40.50126673028885
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep Metric Learning (DML) often struggles with zero-shot generalization because standard objectives inherently capture what co-occurs rather than what causes similarity. Consequently, DML models are vulnerable to shortcut learning driven by two structurally distinct confounders: background spurious correlations (which create backdoor paths via scene context) and foreground nuisance perturbations (which inject non-semantic variations like pose or illumination). Although existing methods have proposed targeted solutions for each pathway individually, none can simultaneously address both due to their fundamentally distinct causal roles. To bridge this gap, we propose the Counterfactual Causal Embedding (CouCE), a unified causal framework that explicitly models and neutralizes both confounders. Specifically, we introduce Orthogonal Dictionary-Based Backdoor Adjustment (ODBA), which isolates spurious background patterns into a variance-gated dictionary and stably disentangles them from the learned embeddings via soft orthogonal regularization. Simultaneously, we propose Multi-Scale Randomized Causal Intervention (MSRCI) to enforce causal invariance against foreground nuisances through multi-scale Fourier amplitude randomization and a symmetric KL invariance constraint. Notably, CouCE seamlessly integrates with any proxy-based loss, incurring modest training overhead without requiring architectural modifications during inference. Extensive experiments on CUB-200-2011, Cars-196, and Stanford Online Products demonstrate that CouCE consistently achieves state-of-the-art performance, providing a principled and robust solution for debiased DML.
• Abstract（参考訳）: ディープ・メトリック・ラーニング(Deep Metric Learning, DML)はしばしばゼロショットの一般化に苦しむ。 その結果、DMLモデルは、背景の素早い相関(シーンコンテキストを介してバックドアパスを生成する)と前景のニュアンス摂動(ポーズや照明のような非セマンティックなバリエーションを注入する)という、2つの構造的な共同創設者によって駆動される学習のショートカットに脆弱である。 既存の手法では個々の経路を対象とする解法が提案されているが、因果的役割が根本的に異なるため、どちらも同時に扱うことはできない。 このギャップを埋めるために、両共同設立者を明示的にモデル化し中立化する統一因果関係フレームワークであるCounterfactual Causal Embedding (CouCE)を提案する。 具体的には,Orthogonal Dictionary-Based Backdoor Adjustment (ODBA)を導入する。これは,素早い背景パターンを分散ゲート辞書に分離し,ソフトな直交正規化によって学習した埋め込みから安定して分離する。 同時に、マルチスケールフーリエ振幅ランダム化と対称KL不変制約により、前景のニュアンセに対する因果不変性を強制するために、MSRCI(Multi-Scale Randomized Causal Intervention)を提案する。 特に、CouCEはプロキシベースの損失をシームレスに統合し、推論中にアーキテクチャ変更を必要とせずに、適度なトレーニングオーバーヘッドを発生させる。 CUB-200-2011、Cars-196、Stanford Online Productsの大規模な実験は、CouCEが一貫して最先端のパフォーマンスを達成し、デバイアスドDMLの原則的で堅牢なソリューションを提供することを示した。

関連論文リスト

• The Laws of Context Allocation: Causal Measurement and Closed-Loop Orchestration in Generative Search [19.846305722187328]
  Retrieval-Augmented Generation (RAG)は、多様なポートフォリオ生成にシフトする。 これは2つの重要なボトルネック、すなわち証拠利用率の欠陥測定と、最適条件下予算配分によって悪影響を受けている。 本稿では,遺伝子依存を正確に分離する因果排除プローブを提案する。 モノリシック・コンテキスト・ワイドニング(モノリシック・コンテキスト・ワイドニング)の一般的な戦略は、関連性の崩壊によって罰せられるアーキテクチャ・トラップであることを示す。
  論文  参考訳（メタデータ） (2026-08-24T13:44:11Z)
• Dual-Branch Cross-Projection Debiasing through Diffusion-based Disentanglement [66.67463557274358]
  バイアス付きデータセットに基づいてトレーニングされた基礎モデルは、しばしばターゲットラベルと非因果属性の間の急激な相関に依存する。 信頼誘導概念マイニング(CBCM:Confidence-guided Concept Mining)を導入し,属性アノテーションを使わずに信頼性の高いスプリアス属性を同定する。 本稿では,目標と突発的な表現を2つのブランチに分離するプロンプトチューニングフレームワークであるDual-branch Cross-projection Debiasing (DCD)を提案する。
  論文  参考訳（メタデータ） (2026-06-23T05:28:47Z)
• Soft Specialists: $α$-Rényi Ensembles for Uncertainty-Aware LLM Post-Training [4.297453240868895]
  大規模言語モデルの既存のトレーニングアプローチは、大量のデータに基づいて、単一のパラメータセットを学習する。 学習後パラメータよりも分布を学習するための$-Rényi変分フレームワークを提案する。 局所安定性基準を同定し,モデルの不特定により非退化後部が局所的に拡散しやすいことを示す。
  論文  参考訳（メタデータ） (2026-05-26T22:44:58Z)
• The Matching Principle: A Geometric Theory of Loss Functions for Nuisance-Robust Representation Learning [0.5854803320592717]
  線形ガウスモデル (Thm.A) における最適性を証明し, 展開のドリフトをゼロにする2次ペナルティに対する範囲被覆の必要性 (Thm.G) を示す。 13ブロック(MLからQwen2.5-7Bまで)のテストは、幾何と展開のドリフトに対する等方性対間違った方向の罰則と一致した。 Sigma_taskを推定し、Sigmaにマッチし、コントロールを実行し、タスクとジオメトリを別々にレポートする。
  論文  参考訳（メタデータ） (2026-05-21T17:53:28Z)
• Too Correct to Learn: Reinforcement Learning on Saturated Reasoning Data [55.84428098924793]
  構造保存探索を行うためのパラメータ自由復号法である Constrained Uniform Top-K Smpling (CUTS) を提案する。 グループ内の利点分散を増幅するために、エクスプロイトと探索的なロールアウトを相乗化するためのトレーニングフレームワークであるMixed-CUTSに統合する。 特にMixed-CUTSは、AIME25ベンチマークのPass@1の精度を標準のGRPOよりも15.1%向上している。
  論文  参考訳（メタデータ） (2026-04-20T16:43:28Z)
• The Reasoning-Creativity Trade-off: Toward Creativity-Driven Problem Solving [57.652356955571065]
  最先端の大規模言語モデル(LLM)パイプラインは、ブートストラップの推論ループに依存している。 我々は、この設計選択が、推論経路上のモデルの分布の崩壊にどのように敏感であるかを分析する。 本稿では,分散創造推論(DCR)について紹介する。これは,解トレースの確率測定を通じて,トレーニングを勾配流としてキャストする,統一的な変分目的である。
  論文  参考訳（メタデータ） (2026-01-02T17:10:31Z)
• The Choice of Divergence: A Neglected Key to Mitigating Diversity Collapse in Reinforcement Learning with Verifiable Reward [57.56453588632619]
  Reinforcement Learning with Verifiable Reward (RLVR) を用いた細調整大型言語モデル(LLM)における中心的パラドックスは、多目的性能の頻繁な劣化である。 これはしばしば破滅的な忘れが伴い、モデルが以前獲得したスキルを失う。 我々は,標準RLVR目標には知識保持のための重要なメカニズムが欠如していると主張している。
  論文  参考訳（メタデータ） (2025-09-09T06:34:32Z)
• Semi-Supervised Learning with Variational Bayesian Inference and Maximum Uncertainty Regularization [62.21716612888669]
  半教師付き学習(SSL)を改善するための2つの一般的な方法を提案する。 第一に、重量摂動(WP)を既存のCR(Consistency regularization)ベースの手法に統合する。 第2の手法は「最大不確実性正規化(MUR)」と呼ばれる新しい整合性損失を提案する。
  論文  参考訳（メタデータ） (2020-12-03T09:49:35Z)

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。