論文の概要: Causal-EVC: Breaking Emotional Spurious Causality via Spatiotemporal Grounding and Counterfactual Intervention

• arxiv url: http://arxiv.org/abs/2609.36776v1
• Date: Tue, 29 Sep 2026 05:49:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.218574
• Title: Causal-EVC: Breaking Emotional Spurious Causality via Spatiotemporal Grounding and Counterfactual Intervention
• Title（参考訳）: Causal-EVC:時空間的接地と対実的介入による情緒的純粋因果関係の破滅
• Abstract要約: 本稿では,高次因果アノテーションを用いた総合的なベンチマークであるCausal-EVCを提案する。 第2に,感情を基盤としたキャプションフレームワークCausal-EVCを提案する。 第3に,解釈可能なスパース感情ルーティングモジュールを導入する。
• 参考スコア（独自算出の注目度）: 26.83495372767638
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Emotional Video Captioning aims to generate factually accurate and emotionally empathetic descriptions. While recent methods have recognized the importance of visual causes to guide emotion perception and caption generation, they fundamentally rely on simple attention matching, which inevitably suffers from {causal redundancy and spurious correlations} in co-occurrence bias (e.g., misclassifying ``sadness'' as ``joy'' on a sunny beach), leading to severe shortcut learning from confusing backgrounds. Furthermore, existing evaluations fail to verify whether models have genuinely mastered causal reasoning or merely exploited background confounders. To address these limitations, we first construct {EVC-CauseGround}, a comprehensive benchmark with dense spatio-temporal causal annotations. Crucially, it introduces a carefully selected {Causal-Faithfulness Subset} to explicitly quantify genuine emotion-cause attribution. Second, we propose {Causal-EVC}, an emotion-grounding captioning framework, which introduces a Motion-guided Causal Spatiotemporal Localization module to precisely decouple causal triggers from background confounders. Besides, we introduce an Interpretable Sparse Emotion Routing module. By synthesizing counterfactual representations and formulating a novel counterfactual contrastive objective, we enforce the model to anchor its emotion predictions strictly on authentic causal triggers instead of confusing background. Extensive experiments show that Causal-EVC not only achieves the best performance on semantic metrics but also exhibits significant advantages in the causal-faithfulness subset, which demonstrates that our model could mine emotional cues from genuine visual causes and mitigate co-occurrence bias for interpretable multimodal emotion understanding.
• Abstract（参考訳）: Emotional Video Captioningは、現実的に正確で感情的に共感的な説明を生成することを目的としている。 近年の手法では、感情の知覚とキャプション生成を導く視覚的原因の重要性を認識しているが、それらは基本的に単純な注意マッチングに依存しており、これは必然的に共起バイアス(例えば、日当たりの良いビーチで'sadness'を'joy'と誤分類する)の {causal redundancy and spurious correlation} に苦しむものであり、混乱した背景から厳しいショートカット学習をもたらす。 さらに、既存の評価では、モデルが真に因果推論を習得したか、あるいは単にバックグラウンド共同創設者を搾取しただけなのかを検証できない。 これらの制約に対処するために、我々はまず、高密度な時空間因果アノテーションを持つ包括的なベンチマークである {EVC-CauseGround} を構築した。 重要なことに、本質的な感情に起因する属性を明示的に定量化するために、慎重に選択された {Causal-Faithfulness Subset} を導入する。 第2に,背景共同設立者から因果的トリガを正確に分離する動き誘導因果的時間的局所化モジュールを導入した感情接頭字幕フレームワークであるCausal-EVCを提案する。 さらに,解釈可能なスパース感情ルーティングモジュールを導入する。 反事実表現を合成し、新しい反事実的コントラスト的目的を定式化することにより、背景を混乱させることなく、その感情予測を厳密に真正な因果的引き金に固定するようにモデルを強制する。 集中的な実験により、Causal-EVCはセマンティックな指標で最高のパフォーマンスを達成できるだけでなく、因果信頼サブセットにおいて大きな優位性を示すことが示され、本モデルが真の視覚的原因から感情的手がかりを抽出し、解釈可能なマルチモーダル感情理解のための共起バイアスを軽減することが示される。

関連論文リスト

• DSPO: Diversity-aware Subjective Policy Optimization for Robust Emotional Reasoning [24.24310526408756]
  一般的なRLアルゴリズムは、感情推論タスクで深刻な失敗に苦しむ。 明示的な物理的対象とは異なり、感情状態は視覚的手がかりの中で深く暗黙的である。 この抽象的な性質はMLLMの視覚幻覚を悪化させ、少なくとも根拠のない感情的な証拠をもたらす。
  論文  参考訳（メタデータ） (2026-09-29T05:46:55Z)
• Benchmarking Dynamic Affective Reasoning: A Viewer-Centric Video Emotion Dataset [51.92925649424503]
  我々は、ビデオイベントに対する遷移と因果推論に影響を及ぼす視聴者中心の初めての大規模ベンチマークであるDynamic Affective Reasoningを紹介する。 Darには15,087の動画と36,908の感情セグメントがあり、27の感情カテゴリがアノテートされている。 Dar-R1は、感情的局所化と感情的推論の両方の観点から、動的感情的推論のための新しい最先端技術を設定する。
  論文  参考訳（メタデータ） (2026-07-11T09:58:29Z)
• Cognitive Pivot Points and Visual Anchoring: Unveiling and Rectifying Hallucinations in Multimodal Reasoning Models [65.57985131861399]
  幻覚は、しばしば高いエントロピー状態を示す認知的分岐点と強く相関している。 本稿では,視覚的に認識可能な推論機能の内部化を目的とした,軽量で総合的なトレーニングパラダイムであるV-STARを提案する。
  論文  参考訳（メタデータ） (2026-04-11T13:59:05Z)
• Imagination Helps Visual Reasoning, But Not Yet in Latent Space [65.80396132375571]
  因果関係分析を用いた潜伏推論の有効性について検討した。 潜在トークンが限られた視覚情報を符号化し、高い類似性を示すことを示す。 CapImagineという簡単な代替案を提案し、テキストを明示的に想像するようにモデルに教える。
  論文  参考訳（メタデータ） (2026-02-26T08:56:23Z)
• ADEPT: RL-Aligned Agentic Decoding of Emotion via Evidence Probing Tools -- From Consensus Learning to Ambiguity-Driven Emotion Reasoning [67.22219034602514]
  ADEPT(Agentic Decoding of Emotion via Evidence Probing Tools)は,感情認識をマルチターン探索プロセスとして再構成するフレームワークである。 ADEPTはSLLMを進化する候補感情を維持するエージェントに変換し、専用のセマンティックおよび音響探査ツールを適応的に呼び出す。 ADEPTは、ほとんどの設定において主感情の精度を向上し、微妙な感情の特徴を著しく改善することを示した。
  論文  参考訳（メタデータ） (2026-02-13T08:33:37Z)
• Analyzing Reasoning Consistency in Large Multimodal Models under Cross-Modal Conflicts [74.47786985522762]
  テキスト慣性(textual inertia)と呼ばれる重要な障害モードを特定し、矛盾する視覚的証拠を無視しながら、モデルは間違ったテキストに盲目的に固執する傾向がある。 本稿では,多種多様なLMMの推論連鎖に摂動を構造的に注入するLogicGraph摂動プロトコルを提案する。 その結果,10%未満の症例で自己修正が成功し,主に視覚的テキスト誤りの伝播に寄与することが判明した。
  論文  参考訳（メタデータ） (2026-01-07T16:39:34Z)
• Learning What to Attend First: Modality-Importance-Guided Reasoning for Reliable Multimodal Emotion Understanding [50.014363382140324]
  モダリティ・コンパタンス(MI)は、感情に支配的なモダリティを識別するためのシンプルで効果的なメカニズムである。 MIGRは推論シーケンスを再編成し、その説明は対象の感情に対して最も重要なモダリティから始まる。 その結果、MIGRは推論信頼性を大幅に改善し、感情的に矛盾した説明を伴う正しい予測の事例を減少させることがわかった。
  論文  参考訳（メタデータ） (2025-12-02T12:29:41Z)
• Towards Context-Aware Emotion Recognition Debiasing from a Causal Demystification Perspective via De-confounded Training [14.450673163785094]
  文脈認識感情認識(CAER)は、対象者の感情を認識するための貴重な意味的手がかりを提供する。 現在のアプローチは、コンテキストから知覚的に重要な表現を抽出する洗練された構造を設計することに集中している。 共同設立者を非難するためのCCIM(Contextual Causal Intervention Module)を提案する。
  論文  参考訳（メタデータ） (2024-07-06T05:29:02Z)
• Robust Emotion Recognition in Context Debiasing [12.487614699507793]
  文脈認識型感情認識(CAER)は、近年、制約のない環境における感情コンピューティング技術の実践的応用を高めている。 進歩にもかかわらず、最大の課題は、コンテキストバイアスの干渉によるものである。 本稿では,このような問題に対処する対実的感情推定(CLEF)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-09T17:05:43Z)

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。