論文の概要: Additive Causal Construction for Transferable and Reconfigurable Cross-System Learning in Multi-Source Image Fusion
- arxiv url: http://arxiv.org/abs/2607.02572v1
- Date: Tue, 30 Jun 2026 11:00:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.330012
- Title: Additive Causal Construction for Transferable and Reconfigurable Cross-System Learning in Multi-Source Image Fusion
- Title（参考訳）: 多ソース画像融合におけるトランスファーおよび再構成可能なクロスシステム学習のための付加因数構成
- Abstract要約: CSD(Cross-system Disrepancy)とCSE(Cross-system entanglement)は、一般的に核融合プロセス中に発生する。
本稿では,情報融合を2段階に特徴付ける付加的因果構成(ACC)フレームワークを提案する。
我々は,合成データと実世界の医用イメージングタスクについて,系統的な実験を行った。
- 参考スコア（独自算出の注目度）: 9.956564745513687
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In multi-source image fusion scenarios, heterogeneous inputs are typically driven by distinct generative mechanisms and can be viewed as a composition of multiple causal systems. However, cross-system discrepancy (CSD) and cross-system entanglement (CSE) commonly arise during the fusion process, often leading to significant performance degradation under out-of-distribution (OOD) predictions. To address the CSD and CSE issues, we propose the additive causal construction (ACC) framework, which characterizes information fusion at two levels: firstly, it establishes causal "anchors" shared among multiple systems through intervention consistency to enable causal graph transferability (CGT); and secondly, it formalizes the fusion process as causal construction and models the reliability of constructed paths through uncertainty quantification to ensure causal graph reconfigurability (CGR). Building upon this, we revisit the traditional causal representation learning (CRL) with ACC and propose ACC-CRL as a learnable instantiation of the framework. The method explores joint causal content representations across systems via content-mechanism decoupling, and performs response alignment under shared anchors to mitigate CSD. Furthermore, it incorporates structural uncertainty to adaptively regulate the fusion process, thereby suppressing unstable CSE. We conduct systematic experiments on synthetic data (ColorMNIST) and real-world multi-center medical imaging tasks (microvascular invasion (MVI) prediction). The results demonstrate that the proposed method significantly improves OOD generalization while maintaining in-distribution (ID) performance, validating the effectiveness and robustness of the ACC-CRL strategy based on mechanism alignment and uncertainty modeling in open environments.
- Abstract（参考訳）: マルチソース画像融合のシナリオでは、異種入力は典型的に異なる生成機構によって駆動され、複数の因果系の構成と見なすことができる。
しかし、連系不一致 (CSD) と連系絡み合い (CSE) は融合プロセス中にしばしば発生し、しばしばオフ・オブ・ディストリビューション (OOD) 予測の下で顕著な性能低下を引き起こす。
CSDとCSEの問題に対処するために,情報融合を特徴付ける付加因果構築(ACC)フレームワークを提案する。第1に,因果グラフ転送性(CGT)を実現するための相互整合性を通じて複数のシステム間で共有される因果的な"アンカー"を確立し,第2に,因果グラフ再構成性(CGR)を確保するための不確実性定量化(CGR)による構築経路の信頼性をモデル化する。
これに基づいて、従来の因果表現学習(CRL)をACCで再検討し、ACC-CRLを学習可能なフレームワークのインスタンス化として提案する。
本手法は,コンテント・メカニズム・デカップリングによるシステム間の共同因果コンテンツ表現を探索し,共有アンカー下で応答アライメントを行い,CSDを緩和する。
さらに、構造的不確実性を組み込んで核融合過程を適応的に制御し、不安定なCSEを抑制する。
人工データ(ColorMNIST)と実世界のマルチセンター医療画像(MVI)の予測について,系統的な実験を行った。
提案手法は, オープン環境における機構アライメントと不確実性モデリングに基づいて, ACC-CRL戦略の有効性とロバスト性を検証し, 内部分布(ID)性能を維持しながらOODの一般化を著しく改善することを示した。
関連論文リスト
- DCRA: Diffusion-Conditioned Representation Alignment for Robust Time-Series Learning [7.328100870402178]
本稿では,表現学習のための構造化汚職スケジューラとして,前方拡散過程を再利用したトレーニングフレームワークを提案する。
DCRAは、ベースラインモデルや拡散専用モデルと比較して、よりバランスよく、構造化された表現を生成する。
論文 参考訳（メタデータ） (2026-09-09T22:52:37Z) - CAAD: Causality-Aware Multivariate Time Series Anomaly Detection via Multi-Scale Alignment and Structural Causal Consistency [9.032903163326027]
本稿では,Granger因果関係の連続的検証として異常検出を再構成する新しいフレームワークを提案する。
提案するフレームワークは,システムダイナミクスの内部化にマルチスケールアライメントを利用する。
実世界の産業データセットの実験では、CAADが高精度な異常検出を実現することが示されている。
論文 参考訳（メタデータ） (2026-07-09T14:46:10Z) - JSCGC: Joint Source-Channel-Generation Coding for Wireless Generative Communications [58.67925548779465]
Joint Source-Channel-Generation Coding (JSCGC) は、従来のデコーダをレシーバで生成モデルに置き換えるジェネレーティブ通信パラダイムである。
JSCGCは、様々なチャネル条件にまたがるフィーチャベース、セマンティックレベル、推論品質を一貫して改善する。
論文 参考訳（メタデータ） (2026-06-11T03:42:03Z) - Time Series Causal Discovery via Context-Conditioned and Causality-Augmented Pretraining [17.01926647313838]
時系列からの因果発見は、異常の根本原因をトレースするなど、多くの現実世界の応用において重要である。
textbfTime-series textbfCausal textbfDiscovery のための新しい textbfPretraining フレームワーク textbfPTCD を提案する。
論文 参考訳（メタデータ） (2026-05-26T09:30:42Z) - Multimodal Learning on Low-Quality Data with Conformal Predictive Self-Calibration [72.0672328514289]
マルチモーダル学習は、しばしば低品質データの課題に悩まされる。
コンフォーマル予測自己校正(Conformal Predictive Self-Calibration)と呼ばれる統合フレームワークを提案する。
私たちのフレームワークは、既存の最先端メソッドを一貫して上回ります。
論文 参考訳（メタデータ） (2026-05-05T14:48:52Z) - Attention-Based Variational Framework for Joint and Individual Components Learning with Applications in Brain Network Analysis [9.090595907330018]
2組のSC-FCデータセットから因数分解された潜在表現を学習するために設計されたC-Modal Joint-Individual Variational Network (CM-JIVNet)。
本モデルでは,多面的注意融合モジュールを用いて,非線形な相互依存を捕捉し,独立性,モダリティ特異的な信号の分離を行う。
関節と個々の特徴空間を効果的に切り離すことで、CM-JIVNetは大規模マルチモーダル脳分析のための堅牢で解釈可能なスケーラブルなソリューションを提供する。
論文 参考訳（メタデータ） (2026-01-23T00:28:43Z) - Joint Source-Channel-Generation Coding: From Distortion-oriented Reconstruction to Semantic-consistent Generation [58.67925548779465]
本稿では,知覚的再構成から確率的生成へ焦点を移す新しいパラダイムとして,JSCGC(Joint Source-Channel-Generation Coding)を提案する。
JSCGCは意味的品質と意味的忠実性を大幅に改善し、従来の歪み指向J SCC法よりも大幅に向上する。
論文 参考訳（メタデータ） (2026-01-19T08:12:47Z) - Learning Causality for Longitudinal Data [1.2691047660244335]
この論文は、高次元の時間変化データにおける因果推論と因果表現学習の手法を開発する。
最初のコントリビューションは、個別処理効果(ITE)を推定するモデルであるCDVAE(Causal Dynamic Variational Autoencoder)の導入である。
第2のコントリビューションでは,Contrastive Predictive Coding (CPC) とInfoMaxによって強化された RNN に基づく長期的反事実回帰のための効率的なフレームワークを提案する。
第3のコントリビューションは、潜伏が観察された変数にどのように現れるかに対処することでCRLを前進させる。
論文 参考訳（メタデータ） (2025-12-04T16:51:49Z) - Adapformer: Adaptive Channel Management for Multivariate Time Series Forecasting [49.40321003932633]
Adapformerは、効果的なチャネル管理を通じてCIとCD方法論のメリットをマージする、トランスフォーマーベースの高度なフレームワークである。
Adapformerは既存のモデルよりも優れた性能を実現し、予測精度と計算効率の両方を向上させる。
論文 参考訳（メタデータ） (2025-11-18T16:24:05Z) - Retrieval is Not Enough: Enhancing RAG Reasoning through Test-Time Critique and Optimization [58.390885294401066]
Retrieval-augmented Generation (RAG) は知識基底型大規模言語モデル(LLM)を実現するためのパラダイムとして広く採用されている。
RAGパイプラインは、モデル推論が得られた証拠と整合性を維持するのに失敗することが多く、事実上の矛盾や否定的な結論につながる。
批判駆動アライメント(CDA)に基づく新しい反復的枠組みであるAlignRAGを提案する。
AlignRAG-autoは、動的に洗練を終了し、批判的な反復回数を事前に指定する必要がなくなる自律的な変種である。
論文 参考訳（メタデータ） (2025-04-21T04:56:47Z) - Online Multi-modal Root Cause Analysis [61.94987309148539]
ルート原因分析(RCA)は、マイクロサービスシステムにおける障害の根本原因の特定に不可欠である。
既存のオンラインRCAメソッドは、マルチモーダルシステムにおける複雑な相互作用を見渡す単一モーダルデータのみを処理する。
OCEANは、根本原因の局在化のための新しいオンラインマルチモーダル因果構造学習手法である。
論文 参考訳（メタデータ） (2024-10-13T21:47:36Z) - A Rationale-centric Counterfactual Data Augmentation Method for Cross-Document Event Coreference Resolution [29.34028569245905]
構造因果モデル(SCM)を用いたベースラインECRシステムの意思決定過程を定式化する。
LLM-in-the-loop を用いた有理中心の反実データ拡張法を開発した。
提案手法は,3つのクロスドキュメント ECR ベンチマークの最先端性能を実現し,ドメイン外シナリオの堅牢性を実証する。
論文 参考訳（メタデータ） (2024-04-02T13:15:07Z) - 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)
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。