タイムシフトアテンションメカニズムはビデオ行動認識において重要であり、これによりモデルは豊富な意味情報を持つキー セグメントに焦点を当てることができます。ただし、これらのモデルは多様性が限られ、細かい時系列監督の不足によって時系列の歪みが生じることがよくあります。つまり、アテンションウェイトと意味コンテンツがずれてしまいます。ビデオレベルのラベルが粗い行動のガイドを提供していますが、詳細な制約の欠如により注意のノイズが継続し、特に干渉要素を含む複雑なシーンです。この問題に対処するために、本論文ではシーケンスフィデリティエンハンスメント（TFE）—ディセントラルボトルネック（DisenIB）理論に基づいた対抗的学習パラダイムを提案します。TFEは対抗的特徴のデカップリングを使用して行動に関連する意味と偽の相関性を分離し、時系列の歪み問題を軽減します。この手法は事前学習表現を使用して初期化し、対抗的学習プロセスを構築し、高い時系列アテンションセグメントと行動の関連性の弱体化したコンテキストの相互競争を行います。この手法は細かい時系列の監督ラベルを必要とせずに、時系列の一貫性を確保し、アテンションウェイトのフィデリティを高めます。UCF101、HMDB-51、Charadesの標準データセット上の大規模な実験により、この手法の有効性が確認され、TFEは行動認識の精度を著しく向上させることが示されています。

行動認識;デカップリング情報ボトルネック;時系列モデリング;時系列保真度