論文の概要: CARE: Contrastive Representation Learning with Environment-Invariance Regularization for Behavioural Intention Prediction

• arxiv url: http://arxiv.org/abs/2611.02806v1
• Date: Mon, 02 Nov 2026 09:13:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-11 12:07:44.110299
• Title: CARE: Contrastive Representation Learning with Environment-Invariance Regularization for Behavioural Intention Prediction
• Title（参考訳）: CARE:行動意図予測のための環境不変規則化を用いたコントラスト表現学習
• Abstract要約: 本稿では、時間的に非対称なコントラストビューと、環境に配慮したコントラストリスクに対する不変リスク最小化(IRM)スタイルの勾配ペナルティを結合した自己教師付きトラジェクトリ学習フレームワークであるCAREを提案する。 CARE は IID 微調整下での 0.840 の精度と 0.023 のキャリブレーション誤差 (ECE) を達成し、報告されたホールトアウト環境における Brier スコア 0.308 の 0.806 の精度を達成した。
• 参考スコア（独自算出の注目度）: 9.181029349760989
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Trajectory-based behavioural intention prediction faces environmental variation, and representations learned with a pooled contrastive objective may retain environment-specific regularities. We present CARE, a self-supervised trajectory-learning framework that couples temporally asymmetric contrastive views with an invariant-risk-minimisation (IRM)-style gradient penalty on environment-wise contrastive risks. Each input window yields an anchor, a partially masked positive view, and a temporally perturbed negative view. Masked reconstruction and observability-aware evidence consistency complement this objective by promoting temporal information retention under partial input. On an IMPTC-derived four-class intention task, CARE achieves 0.840 accuracy and 0.023 expected calibration error (ECE) under IID fine-tuning, and 0.806 accuracy with a Brier score of 0.308 on the reported held-out environment. Under frozen-encoder linear probing, reconstruction provides the largest individual held-out accuracy gain, whereas the complete objective yields the lowest held-out ECE (0.049) among tested variants. These results support the combined objective as a competitive representation-learning approach under the evaluated shift, while the IRM-style regulariser is not taken as evidence of formal invariance.
• Abstract（参考訳）: 軌道に基づく行動意図予測は、環境変動に直面し、プールされた対照的な目的によって学習された表現は、環境固有の規則性を保持することができる。 本稿では、時間的に非対称なコントラストビューと、環境に配慮したコントラストリスクに対する不変リスク最小化(IRM)スタイルの勾配ペナルティを結合した自己教師付きトラジェクトリ学習フレームワークであるCAREを提案する。 各入力ウィンドウはアンカー、部分的にマスクされた正のビュー、時間的に乱れた負のビューを出力する。 仮面の復元と可観測性を考慮した証拠の整合性は、部分的な入力下での時間的情報保持を促進することによって、この目的を補完する。 IMPTC由来の4種類の意図課題において、CAREはIID微調整下で0.840の精度と0.023のキャリブレーション誤差(ECE)、報告されたホールトアウト環境でのブライアスコア0.308の0.806の精度を達成している。 凍結エンコーダ線形探索の下では、リコンストラクションは最も個々のホールトアウト精度が向上する一方、完全な目的は試験された変種の中で最も低いホールトアウトECE(0.049)が得られる。 これらの結果は,IRMスタイルの正規化は形式的不変性の証拠とはみなされないが,評価されたシフトの下での競合表現学習アプローチとして,組み合わせた目的を支えている。

関連論文リスト

• Observability-Aligned Evidential Masked Pretraining for Reliable VRU Motion Prediction [8.187391755602958]
  Vulnerable Road User (VRU) 予測は、部分的な可観測性と分散シフトの下で動作しなければならない。 この設定では、仮面事前学習が魅力的である。なぜなら、自己監督中に、モデルが欠落したコンテンツに自然に露出するためである。 eCoMAE(ecoMAE)は、明らかなマスク付き事前訓練法で、予測的証拠を観察対象と明確に一致させる。
  論文  参考訳（メタデータ） (2026-10-29T12:54:01Z)
• Towards Robust Time Series Learning via Capacity-Centric Modulation [76.23489485385964]
  本稿では,CCM(Capacity-Centric Modulation)を相補的,サンプル適応正規化原理として提案する。 SACM(Sample-Adaptive Capacity Modulation)は,スペクトル空間の分散を利用して,サンプルワイドドロップアウト確率を割り当てるタスク非依存のフレームワークである。 301個の実世界のデータセット-バックボーンペアのうち、SACMは平均でMSEの予測を6.7%削減し、分類精度を3.04%改善し、ポイント調整されたF1を17.05%改善した。
  論文  参考訳（メタデータ） (2026-09-30T10:51:23Z)
• Calibration-First Cross-Cohort Multimodal Temporal Learning for Transferable Asthma-Risk Forecasting [0.0]
  喘息の悪化予測は、患者の人口、センサーのエコシステム、利用可能なモダリティが変化しても、確実に行う必要がある。 不完全データを用いた近地リスク予測のためのキャリブレーションファーストマルチモーダル時間フレームワークであるCALIBRAを提案する。
  論文  参考訳（メタデータ） (2026-09-17T08:19:47Z)
• Balancing Emotional Alignment and Semantic Consistency in Image Generation via Reinforcement Learning with Valence-Arousal Anchoring [55.57242007016976]
  テキスト・ツー・イメージ生成における継続的な感情制御は、プロンプトによって記述されたオブジェクトやレイアウト、シーンを変更することなく、感情的アライメントを改善するモデルを必要とする。 既存の教師付き感情注入法は、しばしば特徴空間プロキシを最適化し、したがって感情のセマンティックドリフトを示す。 本稿では,連続的原子価覚醒条件設定,グループ相対ポリシー最適化,中立的セマンティックアンカーを組み合わせたフローマッチング画像生成フレームワークを用いてこの問題に対処する。
  論文  参考訳（メタデータ） (2026-09-11T13:24:35Z)
• Beyond Homoscedasticity: Decoupled Uncertainty Optimization for Deep Imbalanced Regression [7.011984503405774]
  深い不均衡回帰は、様々なモダリティにまたがる継続的な予測タスクにおいて広く使われている。 本研究では,不確実性を考慮した長周期回帰フレームワークDUOを提案する。 本研究は,IMDB-WIKI-DIR, AgeDB-DIR, AAV2-DIRにおいて,小ショットMAEの競争力を維持しながら,最も優れた小ショットbMAEとGMを実現していることを示す。
  論文  参考訳（メタデータ） (2026-09-04T11:06:57Z)
• IADD-TR: Intervention-Aware Dynamics Decoupling with Targeted Regularization for Model-Based Reinforcement Learning [57.16513298507272]
  IADD-TRは、IADD(Intervention-Aware Dynamics Decoupling)とTR(Targeted Regularization)を組み合わせた統合フレームワークである。 IADDは、ゼロアクションアンカーを用いて、アクション干渉段階とアクションフリー自然進化段階への遷移を分解し、堅牢な一般化のためにこの2段階の分解の非特異性を解決する。 政策学習においては,リプレイ状態の政策段階関数の効率的な影響関数からTRを導出する。
  論文  参考訳（メタデータ） (2026-08-11T08:20:02Z)
• Anomaly-Informed Confidence Calibration for Vision-Based Safety Prediction [1.0981335059631014]
  既存の異常信号における臨界知覚-力学ギャップを同定する。 本研究では,世界モデルから抽出した2つの異常スコアを融合する異常情報オンライン手法を提案する。
  論文  参考訳（メタデータ） (2026-05-20T12:43:09Z)
• Learning Robust Representations for Malicious Content Detection via Contrastive Sampling and Uncertainty Estimation [0.0]
  不確実性コントラストフレームワーク(UCF)は、不確実性を考慮したコントラスト損失、適応温度スケーリング、自己注意誘導型LSTMエンコーダを統合し、ノイズおよび不均衡条件下での分類を改善する。 UCFはサンプルの信頼度に基づいて対照的な重み付けを動的に調整し、正のアンカーを用いたトレーニングを安定化し、温度パラメータをバッチレベルの可変性に適応させる。
  論文  参考訳（メタデータ） (2025-12-01T22:06:06Z)
• MixedNUTS: Training-Free Accuracy-Robustness Balance via Nonlinearly Mixed Classifiers [41.56951365163419]
  MixedNUTSは、ロバストな分類器の出力ロジットを3つのパラメータしか持たない非線形変換で処理する訓練不要の手法である。 MixedNUTSは変換されたロジットを確率に変換し、それらを全体の出力として混合する。 CIFAR-10、CIFAR-100、ImageNetデータセットでは、MixedNUTSの精度とほぼSOTAの堅牢性を大幅に改善した。
  論文  参考訳（メタデータ） (2024-02-03T21:12:36Z)
• Evaluating Probabilistic Classifiers: The Triptych [62.997667081978825]
  本稿では,予測性能の異なる相補的な側面に焦点をあてた診断グラフィックのトリチチを提案し,研究する。 信頼性図は校正に対処し、受信動作特性(ROC)曲線は識別能力を診断し、マーフィー図は全体的な予測性能と価値を視覚化する。
  論文  参考訳（メタデータ） (2023-01-25T19:35:23Z)
• Semi-supervised Contrastive Learning with Similarity Co-calibration [72.38187308270135]
  SsCL(Semi-supervised Contrastive Learning)と呼ばれる新しいトレーニング戦略を提案する。 ssclは、自己教師付き学習におけるよく知られたコントラスト損失と、半教師付き学習におけるクロスエントロピー損失を組み合わせる。 SsCLはより差別的な表現を生じさせ,ショット学習に有益であることを示す。
  論文  参考訳（メタデータ） (2021-05-16T09:13:56Z)

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。