Tag · 6 篇

因果干预

分布可解释性与可视化3视频理解与时序1底层视觉与图像复原1视觉语言模型1

Structural Graph Probing of Vision-Language Models

把每一层建模为神经元共激活相关图，用图结构定位跨模态的 hub 神经元并做因果扰动验证，为视觉研究者提供一种介于局部归因与完整电路复原之间的中层可解释性工具，可直接用于诊断 VLM 中视觉与语言信息如何逐层融合。

Progressive Cross-Modal Causal Intervention for Long-Term Action Recognition

将因果推断中的前门调整和反事实干预引入视觉语言模型，用于去除长时动作识别中的视觉混淆和动作共现幻觉，为视频理解中的跨模态对齐提供可复用的去偏框架。

Multi-Modal Image Fusion via Intervention-Stable Feature Learning

把因果干预（互补掩码、同区域随机掩码、模态 dropout）当作构造训练信号的手段，配合自适应不变性门控筛选「跨扰动模式仍重要」的特征，可直接迁移到多模态融合、跨模态对齐以及模态缺失下的鲁棒表征学习。

Locate-then-Sparsify: Attribution Guided Sparse Strategy for Visual Hallucination Mitigation

提出基于因果干预的逐层归因方法，量化各层与幻觉的相关性，并据此稀疏化特征引导强度；该思路可迁移到其他需要定位关键层或模块的视觉-语言任务中，如视觉定位、图像描述生成中的错误分析。

Language Models Can Explain Visual Features via Steering

对做视觉可解释性的人，这篇给出了一个不依赖输入样本的因果式特征解释范式：在视觉编码器里直接引导单个 SAE 特征、再让语言模型描述其语义，可作为探测视觉表征概念的新工具；Steering-informed Top-k 混合策略还能零额外算力提升解释质量。

CIGMA: Causal Information-Gain Mechanistic Attribution of Attention Heads in Vision Transformers

CIGMA 提供了一种基于信息增益的注意力头级因果归因方法，可用于诊断和修正 ViT 模型对背景虚假相关性的依赖，其双编辑（移除物体/移除上下文）的干预思路可直接迁移到其他视觉模型的可解释性分析与去偏任务中。