論文の概要: Block Disentanglement in CRL: Bridging Identifiability and Visual State Estimation

• arxiv url: http://arxiv.org/abs/2610.06809v1
• Date: Mon, 05 Oct 2026 17:54:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 22:34:58.09313
• Title: Block Disentanglement in CRL: Bridging Identifiability and Visual State Estimation
• Title（参考訳）: CRLにおけるブロックの絡み合い:ブリッジング識別可能性と視覚状態推定
• Abstract要約: 因果表現学習(英: Causal representation learning, CRL)は、因果関係の潜伏変数を高次元観測から復元する過程である。 本論文は介入CRLの2倍の目的を有する。 第一に、より弱い介入仮定に対する識別可能性の保証を確立し、因果変数の解離をブロックする。 第二に、ブロックの絡み合いフレームワークは、視覚データから直接ロボットシステムの潜伏する物理的変数を復元することを目的とした、視覚状態推定の具体化に使用される。
• 参考スコア（独自算出の注目度）: 28.88442456907043
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal representation learning (CRL) is the process of recovering causally-related latent variables from high-dimensional observations. As a label-free inference method, CRL is particularly attractive for applications where data labels are unavailable or impractical to obtain. While there has been significant progress in understanding the identifiability guarantees of CRL, such guarantees often hold under highly stylized assumptions, which temper the direct application to real-world problems. This paper has a two-fold objective for interventional CRL. First, it establishes identifiability guarantees for substantially weaker interventional assumptions, resulting in block disentanglement of the causal variables, where the block structure depends on the realistically available intervention mechanisms. Secondly, the block disentanglement framework is used for embodied visual state estimation, in which the objective is to recover the latent physical variables of a robotic system directly from visual data (images and videos) without labeled data. These two components are critically complementary. The block disentanglement theory delineates identifiability guarantees under weakened assumptions, and the application demonstrates that the resulting objective remains effective in a controlled embodied setting despite further assumption violations, providing a theory-to-practice bridge needed to translate the promise of label-free CRL into practical problems.
• Abstract（参考訳）: 因果表現学習(英: Causal representation learning, CRL)は、因果関係の潜伏変数を高次元観測から回収する過程である。 ラベルフリー推論法として、CRLはデータラベルが利用できない、あるいは入手できないアプリケーションにとって特に魅力的である。 CRLの識別可能性保証の理解には大きな進歩があったが、そのような保証は、しばしば高度にスタイル化された仮定の下で維持され、現実世界の問題への直接的な適用を誘惑する。 本論文は介入CRLの2倍の目的を有する。 まず、ブロック構造が現実的に利用可能な介入機構に依存する因果変数の乱れを生じさせる。 第二に、ブロックの絡み合いフレームワークは、ラベル付きデータなしで、ロボットシステムの潜伏した物理的変数を直接視覚データ(画像やビデオ)から回収することを目的とする、視覚状態推定の具体化に使用される。 これら2つのコンポーネントは、極めて相補的です。 ブロック・ディエンタングルメント理論は、弱い仮定の下での識別可能性保証を規定し、さらに仮定違反があるにもかかわらず、結果として得られる目的が制御された具体化環境で有効であることを示し、ラベルフリーCRLの約束を実用的な問題に翻訳するために必要な理論から実践的な橋を提供する。

関連論文リスト

• Conformal Changepoint Localization and Root Cause Analysis with Corrupted Observations [55.76952683833966]
  本稿では,データ破損時の信頼性設定サイズを低減するために,重み付きCONCH(W-CONCH)と重み付きCROC(W-CROC)を提案する。 画像ベースおよび実世界の変化点と根本原因ベンチマークの実験は、不確実性ベースの重み付けが信頼性セットのサイズを大幅に減少させることを示している。
  論文  参考訳（メタデータ） (2026-07-29T05:16:59Z)
• Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
  Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。 NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
  論文  参考訳（メタデータ） (2026-05-21T16:45:31Z)
• SAGE: Shaping Anchors for Guided Exploration in RLVR of LLMs [55.46289074417954]
  検証可能な報酬(RLVR)による強化学習は、推論タスクのpass@1を確実に改善するが、pass@kでは同等の利得を得られないことが多い。 中心的な構造的制約は、トレーニングを安定させるが、本質的には基準分布にポリシーを固定する逆-KL正規化から生じる。 我々は,逆KLアンカー分布自体を再構成することで,制御可能な経験的サポート拡張を可能にする,原則化されたフレームワークであるSAGEを提案する。
  論文  参考訳（メタデータ） (2026-05-15T07:42:21Z)
• Causal Bootstrapped Alignment for Unsupervised Video-Based Visible-Infrared Person Re-Identification [52.784239635604735]
  VVI-ReIDは、静止画像以外にも時間情報が付加的な手がかりを提供する、全日監視のための重要な技術である。 既存のアプローチは、高価なクロスモダリティアノテーションによる完全な教師付き学習に大きく依存しており、スケーラビリティが制限されています。 そこで,本研究では,ビデオの先行を明示的に活用するCausal Bootstrapped Alignmentフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-17T02:15:59Z)
• 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)
• ROPES: Robotic Pose Estimation via Score-Based Causal Representation Learning [28.88442456907043]
  因果表現学習(CRL)は、高次元データに基づく潜在的生成因子を分散させる強力な教師なしフレームワークとして登場した。 本稿では,CRLをロボット工学に導入することにより,理論と実世界の実践のギャップを埋める。 具体的には,Score-based CRLによるロボットのポーズ推定を導入することで,ロボットのポーズ推定について述べる。
  論文  参考訳（メタデータ） (2025-10-23T17:42:26Z)
• 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)
• Causal Representation Learning Made Identifiable by Grouping of Observational Variables [8.157856010838382]
  因果表現学習(Causal Representation Learning)は、データ駆動型で隠れた機能の因果モデルを学ぶことを目的としている。 ここでは、新規で弱い制約に基づく識別可能性を示す。 また,モデルに整合した新たな自己教師付き推定フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-24T10:38:02Z)
• Leveraging Factored Action Spaces for Efficient Offline Reinforcement Learning in Healthcare [38.42691031505782]
  本稿では, 因子化作用空間によって誘導される線形Q-関数分解の形式を提案する。 我々の手法は、状態-作用空間の未探索領域内でエージェントがより正確な推論を行うのに役立つ。
  論文  参考訳（メタデータ） (2023-05-02T19:13:10Z)

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。