Fugu-MT 論文翻訳(概要): Structure-agnostic Causal Representation Learning

論文の概要: Structure-agnostic Causal Representation Learning

arxiv url: http://arxiv.org/abs/2610.00968v1
Date: Thu, 01 Oct 2026 02:59:02 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-03 01:19:23.855472
Title: Structure-agnostic Causal Representation Learning
Title（参考訳）: 構造に依存しない因果表現学習
Abstract要約: 因果表現学習は、データ生成の根底にある因果構造を利用して、堅牢な特徴を発見することを目的としている。因果構造を共同で識別し,それに対応する不変表現を事前の構造知識なしで学習するフレームワークであるSaCRLを紹介する。
参考スコア（独自算出の注目度）: 29.12751904333385
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Causal representation learning aims to discover robust features by exploiting the causal structure underlying data generation. Existing methods require specifying the causal structure a priori, yet different structures demand fundamentally incompatible invariance constraints, and misspecification leads to representations that discard predictive information. We introduce SaCRL, a framework that jointly identifies the causal structure and learns the corresponding invariant representation without prior structural knowledge. Our approach formulates structure selection as a soft optimization over candidate invariances using HSIC-based violation metrics, with adaptive weights that automatically concentrate on the achievable structure. We provide theoretical guarantees for structure identification, including under random-feature approximation, invariance satisfaction, and out-of-distribution generalization. Empirically, SaCRL recovers the true structure on synthetic and semi-synthetic Bayesian-network benchmarks, outperforms fixed-invariance baselines on Colored MNIST, achieves state-of-the-art accuracy on three DomainBed benchmarks (PACS, VLCS, OfficeHome), and degrades gracefully under structural misspecification and limited environment diversity. Code is available at: https://github.com/ArmanBehnam/sacrl.
Abstract（参考訳）: 因果表現学習は、データ生成の根底にある因果構造を利用して、堅牢な特徴を発見することを目的としている。既存の手法では、因果構造を事前に指定する必要があるが、異なる構造では基本的に非互換な不変性制約が要求され、誤特定は予測情報を破棄する表現に繋がる。因果構造を共同で識別し,それに対応する不変表現を事前の構造知識なしで学習するフレームワークであるSaCRLを紹介する。提案手法は,HSICをベースとしたアダプティブウェイトを用いて,予測不変性に対するソフトな最適化として構造選択を定式化し,達成可能な構造に自動的に集中する。本研究では, ランダムな近似, 分散満足度, アウト・オブ・ディストリビューションの一般化を含む, 構造同定の理論的保証を提供する。経験的に、SaCRLは合成および半合成ベイズ-ネットワークベンチマークの真の構造を回復し、色付きMNISTの固定不変ベースラインを上回り、3つのDomainBedベンチマーク(PACS、VLCS、OfficeHome)の最先端精度を達成し、構造的不特定性と限られた環境多様性の下で適切に劣化する。コードは、https://github.com/ArmanBehnam/sacrl.comで入手できる。

関連論文リスト

Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
論文参考訳（メタデータ） (2026-05-25T09:57:46Z)
I-SAFE: Wasserstein Coherence Metrics for Structural Auditing of Scientific AI Models [5.562984399879219]
我々は、科学AIモデルのためのtextscI-SAFE(Interventional Secure, Accurate, Fair and Explainable)フレームワークを紹介する。 textscI-SAFEは、入力の構造的誘導摂動の下で生モデル出力を評価する。 Davis kinase ベンチマークを用いて,薬物-標的相互作用(DTI)予測におけるtextscI-SAFE のインスタンス化を行う。
論文参考訳（メタデータ） (2026-05-20T20:44:30Z)
Structure-Aware Robust Counterfactual Explanations via Conditional Gaussian Network Classifiers [0.26999000177990923]
本研究は,条件付き条件グラフに基づく構造認識型ロバストネス・ウンタファクト探索手法を提案する。結果から,本手法は,特に安定な依存関係を提供する元の定式化を直接最適化することにより,強い整合性を実現することが示された。提案手法は,非循環的制約下での非実効的推論における今後の進歩の基盤となる。
論文参考訳（メタデータ） (2026-02-08T15:51:45Z)
Structural Compositional Function Networks: Interpretable Functional Compositions for Tabular Discovery [4.8369208007394215]
本稿では,構造構成ネットワーク(Structure compositional Networks, StructureCFN)を提案する。私たちのフレームワークは構造化知識統合を可能にし、ドメイン固有のリレーショナル事前をアーキテクチャに直接注入して発見を導くことができます。我々は18ベンチマークで厳密な10倍のクロスバリデーションスイートにまたがる構造CFNを評価し,統計的に有意な改善を示した。
論文参考訳（メタデータ） (2026-01-27T20:20:07Z)
Towards A Unified PAC-Bayesian Framework for Norm-based Generalization Bounds [63.47271262149291]
PAC-Bayesianノルムに基づく一般化のための統一的なフレームワークを提案する。提案手法の鍵となるのは、構造的重み摂動に関してネットワーク出力を定量化する感度行列である。我々は、いくつかの既存のPAC-ベイジアン結果を特殊ケースとして回復する一般化境界の族を導出する。
論文参考訳（メタデータ） (2026-01-13T00:42:22Z)
Structure-R1: Dynamically Leveraging Structural Knowledge in LLM Reasoning through Reinforcement Learning [29.722512436773638]
本稿では,検索したコンテンツを推論に最適化した構造化表現に変換するフレームワークであるtextscStructure-R1を提案する。 textscStructure-R1は、7Bスケールのバックボーンモデルとの競合性能を一貫して達成していることを示す。我々の理論的分析は,情報密度と文脈的明瞭度を向上させることによって,構造化表現が推論をいかに促進するかを示す。
論文参考訳（メタデータ） (2025-10-16T23:19:28Z)
AlphaFold Database Debiasing for Robust Inverse Folding [58.792020809180336]
Debiasing Structure AutoEncoder (DeSAE)を導入し、故意に破損したバックボーンジオメトリからネイティブライクなコンフォーメーションを再構築することを学ぶ。推測において、DeSAEをAFDB構造に適用すると、逆折り畳み性能を著しく向上する偏りのある構造が生成される。
論文参考訳（メタデータ） (2025-06-10T02:25:31Z)
Learning Identifiable Structures Helps Avoid Bias in DNN-based Supervised Causal Learning [56.22841701016295]
Supervised Causal Learning (SCL)はこの分野で新興パラダイムである。既存のディープニューラルネットワーク(DNN)ベースの手法では、"Node-Edgeアプローチ"が一般的である。
論文参考訳（メタデータ） (2025-02-15T19:10:35Z)
Structural Entropy Guided Probabilistic Coding [52.01765333755793]
構造エントロピー誘導型確率的符号化モデルSEPCを提案する。我々は、構造エントロピー正規化損失を提案することにより、潜在変数間の関係を最適化に組み込む。分類タスクと回帰タスクの両方を含む12の自然言語理解タスクに対する実験結果は、SEPCの優れた性能を示す。
論文参考訳（メタデータ） (2024-12-12T00:37:53Z)
Invariant Structure Learning for Better Generalization and Causal Explainability [44.580704853704994]
因果構造発見を改善するための新しいフレームワークである不変構造学習(ISL)を提案する。 ISLはデータを異なる環境に分割し、異なる環境にわたってターゲットに不変な構造を学ぶ。我々は、ISLが因果構造を正確に発見し、代替手法より優れ、大きな分布シフトを持つデータセットに対して優れた一般化をもたらすことを示した。
論文参考訳（メタデータ） (2022-06-13T21:04:23Z)

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。