論文の概要: Intervene, Calibrate, Discover: Learning Causal Structure from Pixels

• arxiv url: http://arxiv.org/abs/2610.34711v1
• Date: Mon, 26 Oct 2026 02:01:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.679828
• Title: Intervene, Calibrate, Discover: Learning Causal Structure from Pixels
• Title（参考訳）: インターベン、カリブレート、発見:ピクセルから因果構造を学ぶ
• Abstract要約: 視覚的な読み出しエラーは、環境介入の値でモデル設定を間違える可能性がある。 画像読取と固定ラウンドロビン介入による検証値のペアリングにより,このミスマッチに対処する。 我々は、グラフ発見、介入結果、および反ファクト画像を評価する。
• 参考スコア（独自算出の注目度）: 14.325600082863524
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning high-level causal variables from low-level observations is a central problem for artificial intelligence. With known node semantics but an unknown graph, visual readout errors can misalign model settings with environment intervention values. We address this mismatch by pairing image readouts with verified values attained through fixed round-robin interventions. With encoder and decoder frozen, a dimension-wise invertible calibration map puts visual responses and target settings in shared numerical units. After freezing this map, the agent selects interventions to resolve graph directions and fits local mechanisms to predict consequences; inverse calibration returns counterfactual states to the decoder's original coordinates. Across Domino, Pick-and-Place, Balance, Gears, CAUSAL3D, and CausalWorld, we evaluate graph discovery, intervention consequences, and counterfactual images. Controlled domino experiments show that interventions resolve orientation ambiguity left by equal additional observations. In a matched-data domino control, calibration reduces the mean error of predicted changes in other variables within the same factual context, relative to an uncalibrated model.
• Abstract（参考訳）: 低レベルの観測から高レベルの因果変数を学ぶことは、人工知能の重要な問題である。 既知のノードセマンティクスと未知のグラフでは、視覚的な読み出しエラーは、環境介入の値でモデル設定を間違える可能性がある。 画像読取と固定ラウンドロビン介入による検証値のペアリングにより,このミスマッチに対処する。 エンコーダとデコーダの凍結により、次元的に可逆なキャリブレーションマップは、視覚応答と目標設定を共有数値単位に配置する。 この地図を凍結した後、エージェントはグラフ方向の解決のための介入を選択し、結果を予測するための局所的なメカニズムを適合させ、逆キャリブレーションはデコーダの元の座標に反事実状態を返す。 Domino, Pick-and-Place, Balance, Gears, CAUSAL3D, CausalWorldにまたがって, グラフ発見, 介入結果, 反ファクト画像の評価を行った。 制御されたドミノ実験は、干渉が同じ追加観測によって残された配向の曖昧さを解消することを示している。 整合データドミノ制御では、キャリブレーションは非校正モデルと比較して、同じ文脈における他の変数における予測された変化の平均誤差を減少させる。

関連論文リスト

• VeriCalib: Verifiable Target-Based LiDAR-Camera Calibration [55.182280281702845]
  ターゲットに基づく外部キャリブレーションは、既知のターゲットのいくつかの観測から、センサ間の剛性変換を推定する。 適合残差のルート平均二乗誤差は、結果を受け入れ、再抽出し、再帰し、観察を追加するかどうかを示すことができない。 本稿では,外因性キャリブレーションを検証可能な推定問題として定式化するVeriCalibを提案する。
  論文  参考訳（メタデータ） (2026-10-20T18:21:00Z)
• GeoQ: Geometry-Aware Conditional Quantile Error Estimation for Scientific Surrogate Models [0.4870652964208548]
  個々のクエリポイントにおける代理エラーを推定するための非侵入的フレームワークであるGeoQを紹介する。 GeoQは、クエリポイントにおけるエラーを、平均的なキャリブレーションエラーと学習された非負の補正として表現する。 我々はGeoQを,スカラー回帰,カオス力学,中距離気象予報,リヒトマイアー・メシュコフ不安定度予測について評価した。
  論文  参考訳（メタデータ） (2026-08-21T21:47:16Z)
• Consistent Yet Wrong: Evidence Insensitivity in Spatial Vision-Language Models [29.66841995436342]
  現代の視覚言語モデル(VLM)は、計量距離クエリでは信頼できないままである。 我々は,Hypersim,ScanNet,KITTI360から構築したマルチビュー評価プロトコルであるtextbfViewDiagを紹介する。 安定な予測は、証拠に敏感な推論よりも先駆的な崩壊を反映している可能性が示唆された。
  論文  参考訳（メタデータ） (2026-06-01T18:06:08Z)
• Mr. Virgil: Learning Multi-robot Visual-range Relative Localization [23.326282078324954]
  Mr. Virgilは、エンド・ツー・エンドの学習用マルチロボット・ビジュアルレンジ相対的ローカライゼーションフレームワークである。 UWBレンジと視覚検出のデータを関連付けるグラフニューラルネットワークと、PGO(di differentiable pose graph optimization)バックエンドで構成されている。
  論文  参考訳（メタデータ） (2025-12-11T11:16:53Z)
• Mitigating Coordinate Prediction Bias from Positional Encoding Failures [31.63900089866925]
  高解像度入力は、位置エンコーディングを弱める長いトークンシーケンスを生成することで、この困難を悪化させる。 我々は、視覚的位置エンコーディングがシャッフルによって意図的に摂動されるとき、MLLMがどのように振る舞うかを分析する。 本研究では,これらのバイアスの方向特性を利用したトレーニング不要なテストタイム手法であるビジョン-PEシャッフルガイダンス(VPSG)を提案する。
  論文  参考訳（メタデータ） (2025-10-25T00:58:47Z)
• Adaptive Face Recognition Using Adversarial Information Network [57.29464116557734]
  顔認識モデルは、トレーニングデータがテストデータと異なる場合、しばしば退化する。 本稿では,新たな敵情報ネットワーク(AIN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T02:14:11Z)
• Adaptive Local-Component-aware Graph Convolutional Network for One-shot Skeleton-based Action Recognition [54.23513799338309]
  骨格に基づく行動認識のための適応的局所成分認識グラフ畳み込みネットワークを提案する。 我々の手法はグローバルな埋め込みよりも強力な表現を提供し、我々のモデルが最先端に到達するのに役立ちます。
  論文  参考訳（メタデータ） (2022-09-21T02:33:07Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Robust Graph Representation Learning for Local Corruption Recovery [47.656530383080366]
  この研究は、(局所的に)破損した特徴属性を自動的に検出するグラフ学習スキームを確立する。 検出操作はグラフオートエンコーダを利用するが、これは局所的な腐敗の分布を仮定するものではない。 提案モデルはブラックボックス中毒から頑健なグラフ表現を復元し,優れた性能が得られる。
  論文  参考訳（メタデータ） (2022-02-10T10:06:22Z)
• High-Order Information Matters: Learning Relation and Topology for Occluded Person Re-Identification [84.43394420267794]
  本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。 我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-03-18T12:18:35Z)

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。