論文の概要: InfluenceField: A Differentiable Field with Interventionally Identifiable Causal Structure for Multimodal World Modeling
- arxiv url: http://arxiv.org/abs/2609.07874v1
- Date: Mon, 07 Sep 2026 18:36:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.500031
- Title: InfluenceField: A Differentiable Field with Interventionally Identifiable Causal Structure for Multimodal World Modeling
- Title（参考訳）: InfluenceField:マルチモーダル・ワールド・モデリングのためのインターベンショナルに同定可能な因果構造を持つ微分可能場
- Abstract要約: InfluenceFieldは視覚エンコーダと言語デコーダの間に挿入される介入対応の潜伏フィールドである。
パッチの特徴を連続した空間表現に引き上げ、複数のステップに対して指示された影響を伝播し、局所的な介入効果を予測する。
CausalVQAでは、InfluenceFieldはバックボーン全体の精度を13.1ポイント改善している。
- 参考スコア（独自算出の注目度）: 8.383772213181853
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multimodal large language models often capture visual-linguistic correlations but struggle to predict how local visual interventions propagate and affect downstream answers. We introduce InfluenceField, an intervention-aware latent field inserted between the visual encoder and language decoder. It lifts patch features into a continuous spatial representation, propagates directed influence over multiple steps, and predicts local intervention effects through a shared transition operator. Training jointly optimizes language modeling, cross-environment invariance, counterfactual rollout supervision, and structural regularization. For a nonlinear finite-basis population model, we show that target-aligned interventional supervision, together with a one-step separation condition on the transition, restricts admissible representations to within-location reparameterizations, so that the directed dependency graph of the full transition is recovered exactly. A linear specialization gives an exact partial-coverage characterization and a finite-loss stability bound, and the field analysis derives the spatial profile of coefficient interventions together with a shared-channel calibration result. On CausalVQA, InfluenceField improves overall accuracy over its backbone by 13.1 percentage points, with the largest gains on the planning and hypothetical categories. Capacity-matched baselines and structural controls attribute the gains in robustness and factual-counterfactual consistency to the causal objectives rather than to added capacity.
- Abstract（参考訳）: マルチモーダルな大言語モデルは、しばしば視覚言語的相関を捉えるが、局所的な視覚介入が下流の答えをどのように伝播し影響を及ぼすかを予測するのに苦労する。
視覚エンコーダと言語デコーダの間に挿入される介入対応の潜伏場であるfectFieldを紹介する。
パッチの特徴を連続した空間表現に引き上げ、複数のステップで指示された影響を伝播し、共有遷移演算子を通して局所的な介入効果を予測する。
トレーニングは、言語モデリング、クロス環境不変性、反実的ロールアウト監視、構造規則化を共同で最適化する。
非線形有限基底集団モデルでは、対象に整合した介入監視が、遷移の1段階分離条件とともに、許容表現を位置内再パラメータ化に制限し、完全な遷移の有向依存グラフを正確に復元することを示す。
線形特殊化は、正確な部分被覆特性と有限損失安定性境界を与え、場解析は、共有チャネルキャリブレーション結果とともに係数介入の空間的プロファイルを導出する。
CausalVQAでは、インフルエンスフィエルドはバックボーン全体の精度を13.1ポイント改善し、計画と仮説のカテゴリーで最大の利益を得ている。
容量にマッチしたベースラインと構造制御は、キャパシティの追加よりもむしろ因果目的に頑丈さと実数的整合性が寄与する。
関連論文リスト
- MoASE++: Mixture of Activation Sparsity Experts with Domain-Adaptive On-policy Distillation for Continual Test Time Adaptation [65.068801413044]
連続的なテスト時間適応は、非定常な未ラベルのターゲットストリームにソース予測モデルを適用する。
ドメインに依存しない構造をドメイン固有のテクスチャから切り離す。
論文 参考訳（メタデータ） (2026-05-18T01:52:12Z) - 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) - SCALAR: Self-Calibrating Adaptive Latent Attention Representation Learning [2.152549977410309]
複雑な特徴相互作用を持つ高次元ヘテロジニアスデータは、従来の予測モデリングアプローチに重大な課題をもたらす。
本アーキテクチャでは,異なる特徴群を個別に処理するアダプティブカーネルベースのアテンション機構を導入している。
実験結果は、さまざまなデータセットにわたる最先端の手法と比較して、パフォーマンス指標が大幅に改善されたことを示している。
論文 参考訳（メタデータ） (2025-10-18T12:41:18Z) - Explaining multimodal LLMs via intra-modal token interactions [55.27436637894534]
MLLM(Multimodal Large Language Models)は、様々な視覚言語タスクにおいて顕著な成功を収めているが、その内部決定機構は十分に理解されていない。
モーダル内相互作用を利用した解釈可能性の向上を提案する。
論文 参考訳（メタデータ） (2025-09-26T14:39:13Z) - Feature-Space Planes Searcher: A Universal Domain Adaptation Framework for Interpretability and Computational Efficiency [7.889121135601528]
現在の教師なし領域適応法は微調整特徴抽出器に依存している。
領域適応フレームワークとしてFPS(Feature-space Planes Searcher)を提案する。
FPSは最先端の手法と比較して,競争力や性能に優れることを示す。
論文 参考訳（メタデータ） (2025-08-26T05:39:21Z) - Sparse Causal Discovery with Generative Intervention for Unsupervised Graph Domain Adaptation [27.5393760658806]
Unsupervised Graph Domain Adaptation (UGDA)は、ラベル付きソースドメイングラフを利用して、分散シフトにもかかわらずラベルなしのターゲットドメインで効果的なパフォーマンスを実現する。
スパース因果モデリングと動的介入機構によりグラフ表現の安定化を実現する新しい手法であるSLOGANを提案する。
論文 参考訳（メタデータ） (2025-07-10T10:42:21Z) - Partial Transportability for Domain Generalization [56.37032680901525]
本稿では, 部分的同定と輸送可能性の理論に基づいて, 対象分布の関数値の有界化に関する新たな結果を紹介する。
我々の貢献は、輸送可能性問題に対する最初の一般的な評価手法を提供することである。
本稿では,スケーラブルな推論を実現するための勾配に基づく最適化手法を提案する。
論文 参考訳（メタデータ） (2025-03-30T22:06:37Z) - Unsupervised Structural-Counterfactual Generation under Domain Shift [1.9652313502216219]
本稿では,ソース領域からの事実観測に基づいて,対象領域における対実サンプルの生成という,新たな生成モデル課題を提案する。
本フレームワークは, 対象領域からの影響-内在変数の後方分布と, 対象領域からの領域-内在変数の事前分布とを組み合わせて, 所望の反事実を合成する。
論文 参考訳（メタデータ） (2025-02-17T16:48:16Z) - Intrinsic Tensor Field Propagation in Large Language Models: A Novel Approach to Contextual Information Flow [0.0]
内在的場伝播は、様々な言語構造にわたる文脈的保持、依存性の解決、推論を改善する。
オープンソーストランスフォーマーベースのモデルで行った実験では、様々な言語構造にわたる文脈保持、依存関係の解決、推論において測定可能な改善が提供されている。
論文 参考訳（メタデータ） (2025-01-31T08:32:32Z) - Exploiting Aggregation and Segregation of Representations for Domain Adaptive Human Pose Estimation [50.31351006532924]
人間のポーズ推定(HPE)は最近、モーション分析、バーチャルリアリティー、ヘルスケア等に広く応用されているため、注目を集めている。
時間と労働集約的なアノテーションのために、ラベル付き現実世界のデータセットが不足している。
本稿では,ドメイン適応型人間のポーズ推定のための表現集約と分離を両立させる新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2024-12-29T17:59:45Z) - Relation Matters: Foreground-aware Graph-based Relational Reasoning for
Domain Adaptive Object Detection [81.07378219410182]
我々は、FGRR(Fearground-aware Graph-based Reasoning)というドメインDのための新しい汎用フレームワークを提案する。
FGRRはグラフ構造を検出パイプラインに組み込んで、ドメイン内およびドメイン間フォアグラウンドオブジェクト関係を明示的にモデル化する。
実験の結果、提案したFGRRは4つのDomainDベンチマークの最先端よりも優れていることが示された。
論文 参考訳（メタデータ） (2022-06-06T05:12:48Z)
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。