Concept Flow Models: Anchoring Concept-Based Reasoning with Hierarchical Bottlenecks
Fraunhofer Institute for Open Communication Systems(弗劳恩霍夫开放通信系统研究所);Freie Universität Berlin(柏林自由大学)
提出概念流模型(CFM),用层次化概念决策树替代扁平瓶颈,通过逐步缩小预测范围减少信息泄露,在保持预测性能的同时提升可解释性。
2026-06-19 cs.AI cs.LG
Learning Concept Bottleneck Models from Mechanistic Explanations
Politecnico di Milano(米兰理工大学);MIT CSAIL(麻省理工学院计算机科学与人工智能实验室)
本文提出机制CBM模型,通过从黑盒模型自身学习的概念构建瓶颈层,提升模型的可解释性和预测性能。
2026-03-07 cs.AI cs.LG
Addressing Concept Mislabeling in Concept Bottleneck Models Through Preference Optimization
Mila - Québec AI Institute(魁北克人工智能研究所);University of Cambridge(剑桥大学)
针对概念瓶颈模型中概念标签错误导致性能显著下降的问题,提出基于直接偏好优化的概念偏好优化损失函数,有效缓解噪声影响并在多个数据集上优于二元交叉熵。
2025-09-08 cs.AI cs.LG
Interpretable but Fragile? Robustness of Concept Bottlenecks under Geometric-Semantic Perturbations
Saarland University(萨尔兰大学);Tianjin University of Technology(天津工业大学);University of Macau(澳门大学);University of Exeter(埃克塞特大学)
本研究通过生成器框架比较概念瓶颈模型与标准分类器在几何和语义扰动下的鲁棒性,揭示可解释性不固有提升鲁棒性,而是重新分配敏感性,存在依赖扰动机制的任务结构权衡。
2026-10-22 cs.AI cs.LG
Eliminating Information Leakage in Hard Concept Bottleneck Models with Supervised, Hierarchical Concept Learning
The Hong Kong University of Science and Technology(香港科技大学)
针对概念瓶颈模型的信息泄漏问题,提出SupCBM,通过标签监督和分层概念集,利用干预矩阵实现标签预测,显著减少信息泄漏并提升性能。
2024-02-03 cs.AI cs.LG
Learning to Intervene on Concept Bottlenecks
TU Darmstadt(达姆施塔特工业大学);Hessian Center for Artificial Intelligence (hessian.AI)(黑森人工智能中心);Centre for Cognitive Science, TU Darmstadt(达姆施塔特工业大学认知科学中心);German Center for Artificial Intelligence (DFKI)(德国人工智能研究中心)
提出概念瓶颈记忆模型(CB2Ms),利用双重记忆保留并泛化过去干预,使模型能自动识别错误并重用干预以提升性能,在分布偏移等场景下有效减少人工干预需求。
2024-06-04 cs.AI cs.LG
Towards Fine-Grained and Verifiable Concept Bottleneck Models
Bioengineering Department(生物工程部门);Imperial-X, Imperial College London, London, UK(帝国理工学院伦敦校区);Thoughtworks AI Labs, Singapore(Thoughtworks AI实验室,新加坡)
本文提出细粒度概念瓶颈模型框架,通过局部视觉证据 grounding 每个概念,提升模型透明度与可验证性,实验显示其概念空间信息完整且预测性能优异。
2026-05-14 cs.AI cs.LG
Post-hoc Concept Bottleneck Models
Stanford University(斯坦福大学)
概念瓶颈模型(CBMs)将输入映射到一组可解释的概念(“瓶颈”)上,并使用这些概念进行预测。概念瓶颈增强了可解释性,因为可以对其进行调查以了解模型在输入中“看到”什么概念以及这些概念中哪些被认为是重要的。然而,CBM在实践中是限制性的,因为它们需要训练数据中的密集概念注释来学习瓶颈。此外,建立信任措施往往与不受限制的神经网络的准确性不匹配,从而降低了在实践中部署它们的激励。在这项工作中,我们通过引入事后概念瓶颈模型(PCBM)来解决这些限制。我们证明了我们可以将任何神经网络转换为PCBM,而不会牺牲模型性能,同时仍然保留可解释性的好处。当训练数据上没有概念注释时,我们证明了PCBM可以通过多模态模型从其他数据集或概念的自然语言描述中转移概念。PCBM的一个主要优点是,它使用户能够快速调试和更新模型,以减少虚假相关性并提高对新分布的泛化能力。PCBM允许全局模型编辑,这可能比以前修复特定预测的局部干预工作更有效。通过模型编辑用户研究,我们表明,通过概念级反馈编辑PCBM可以提供显着的性能增益,而无需使用来自目标域或模型再训练的数据。
2023-02-01 cs.AI cs.LG stat.ML
Mixture of Concept Bottleneck Experts
University of Padua(帕多瓦大学)
提出概念瓶颈专家混合模型(M-CBE),通过引入多个专家表达式和灵活的函数形式,在保持可解释性的同时提升预测精度和适应性。
2026-06-01 cs.AI cs.LG
GlassMol: Interpretable Molecular Property Prediction with Concept Bottleneck Models
Northwestern University(西北大学);AbbVie(阿比维)
GlassMol通过自动化概念整理和LLM引导的概念选择,解决分子属性预测中的可解释性与性能权衡问题。
2026-03-01 cs.AI cs.LG
There Was Never a Bottleneck in Concept Bottleneck Models
ViVoLab, I3A University of Zaragoza(ViVoLab,I3A 萨拉戈萨大学)
本文提出最小概念瓶颈模型,通过信息瓶颈目标提升表示的可解释性并支持概念层面的干预。
2026-01-29 cs.LG
Causally Reliable Concept Bottleneck Models
Università della Svizzera Italiana(瑞士意大利大学);University of Liechtenstein(利赫泰森大学);Politecnico di Torino(托尼诺理工学院);IBM Research(IBM研究院);Scuola Universitaria Professionale della Svizzera Italiana(瑞士意大利专业大学)
本文提出C$^2$BMs,一种基于概念的因果可靠模型,通过结构化概念瓶颈提升可解释性和因果推理能力。
2026-01-31 cs.AI cs.LG
Revealing Combinatorial Reasoning of GNNs via Graph Concept Bottleneck Layer
Tongji University, Shanghai, China(同济大学);City University of Macau, Macau, China(澳门城市大学)
本文提出图概念瓶颈层,通过将概念视为图词并利用语言模型学习嵌入,提升GNNs的组合推理可解释性与性能。
2026-03-02 cs.AI cs.LG
Concept Bottleneck Model with Additional Unsupervised Concepts
Tokyo Research Center, Aisin(爱信东京研究中心)
随着对问责制的需求不断增加,可解释性正在成为现实世界人工智能应用的一项基本能力。然而,大多数方法使用事后方法,而不是训练可解释的模型。在这篇文章中,我们提出了一个新的解释模型的基础上的概念瓶颈模型(CBM)。CBM使用概念标签来训练中间层作为附加可见层。然而,由于概念标签的数量限制了该层的维度,因此很难用少量标签获得高精度。为了解决这个问题,我们将监督概念与用自解释神经网络(SENN)训练的无监督概念相结合。通过无缝训练这两种类型的概念,同时减少计算量,我们可以同时获得监督和非监督概念,即使是大尺寸的图像。我们将所提出的模型称为具有额外无监督概念的概念瓶颈模型(CBM-AUC)。我们通过实验证实,该模型优于CBM和SENN。我们还可视化了每个概念的显着图,并确认它与语义一致。
2022-02-03 cs.AI cs.CV cs.LG
Object Centric Concept Bottlenecks
Computer Science Department, TU Darmstadt(图宾根大学计算机科学系);Hessian Center for AI (hessian.AI)(海德堡人工智能中心);German Research Center for AI (DFKI)(德国人工智能研究中心);Centre for Cognitive Science, TU Darmstadt(图宾根大学认知科学中心)
本文提出对象中心概念瓶颈(OCB)框架,结合基于概念的模型与预训练对象中心基础模型,提升复杂视觉任务的性能与可解释性,实验证明其优于传统CBMs。
2025-10-07 cs.AI cs.LG
An Analysis of Concept Bottleneck Models: Measuring, Understanding, and Mitigating the Impact of Noisy Annotations
POSTECH
本文提出了一种两阶段框架,通过尖锐性感知训练和不确定性校正来缓解概念瓶颈模型中噪声标注的影响,提升模型的鲁棒性和可解释性。
2026-01-30 cs.AI cs.LG
Zero-shot Concept Bottleneck Models
Kyoto University(京都大学)
本文提出零样本概念瓶颈模型,通过大规模概念库实现无需训练的跨领域概念与标签预测,提供可解释的干预概念。
2026-04-03 cs.AI cs.CV cs.LG
Probabilistic Concept Bottleneck Models
Seoul National University(首尔国立大学)
针对CBM确定性概念预测无法处理概念歧义的问题,本文提出ProbCBM,用概率概念嵌入建模并传递概念不确定性,从而提升类别预测解释的可靠性。
2023-06-02 cs.AI cs.CV cs.LG
Hoeffding Concept Bottleneck Models with Applications to Overhead Images
Thales cortAIx-Labs(泰雷兹 cortAIx 实验室);Université Paris-Saclay, CentraleSupélec(巴黎-萨克雷大学,中央理工-巴黎高等学院)
针对线性概念瓶颈模型可解释性差和信息泄露问题,提出基于Hoeffding泛函分解的非线性稀疏聚合方法HCBM,并证明其对概念间泄露的鲁棒性,在分类和俯视图像目标检测任务中优于传统线性CBM。
2026-10-14 cs.AI cs.LG stat.ML
AnyBottle: A Recipe to Only Keep the Concepts You Really Need
Max Planck Institute for Informatics(马克斯·普朗克信息学研究所);Technical University of Darmstadt(达姆施塔特工业大学)
AnyBottle提出一种构建紧凑任务特定概念瓶颈模型的方法,利用教师指导选择关键概念,实现更少概念且保持性能,证明无标注无需大型词汇表。
2026-10-07 cs.AI cs.LG
Parameter-Efficient Construction of the Rashomon Slice for Concept Bottleneck Models
UNC Chapel Hill(UNC夏洛特山分校);Rutgers University(罗格斯大学);Duke University(杜克大学)
研究在如概念瓶颈模型的复杂假设空间中探索罗生门集的问题,提出结合并行适配器构建、检查点方案和概念多样性目标的方法,能从单训练过程生成多个准确模型,有更好多样性且省内存。
2026-09-24 cs.AI cs.LG
Improving ARDS Diagnosis Through Context-Aware Concept Bottleneck Models
Imperial College London(帝国理工学院伦敦校区)
针对临床数据集标签缺失与AI模型可解释性受限的问题,本研究提出利用大型语言模型处理临床笔记生成额外概念,构建上下文感知的概念瓶颈模型,有效提升了ARDS识别性能并降低了信息泄漏风险。
2025-08-13 cs.AI cs.LG
Do Concept Bottleneck Models Respect Localities?
Carnegie Mellon University(卡内基梅隆大学);University of Cambridge(剑桥大学)
本文研究了 Concept-based models 是否利用相关特征进行预测(即 locality),构建了三个指标并结合理论分析发现许多现有模型未能尊重 localities,进而提出缓解建议。
2025-06-25 cs.AI cs.LG
Learn to explain yourself, when you can: Equipping Concept Bottleneck Models with the ability to abstain on their concept predictions
J.P. Morgan AI Research(摩根大通人工智能研究院)
Koh等人[2020]的概念瓶颈模型(CBM)提供了一种方法,以确保基于神经网络的分类器仅基于人类可理解的概念进行预测。概念标签,或者我们所说的基本原理,是由CBM的概念标签组件学习的。另一个组件学习从这些预测的概念标签中预测目标分类标签。不幸的是,这些模型严重依赖于人类为每个数据点提供的概念标签。为了使建立信任措施的表现稳健时,这些标签是不容易获得的,我们展示了如何装备他们的能力,放弃预测概念时,概念标签组件是不确定的。换句话说,我们的模型学会为其预测提供理论依据,但只有在它确定理论依据正确的情况下。
2022-12-18 cs.LG
Process-Guided Concept Bottleneck Model
SEOSAW Partnership(SEOSAW合作机构)
过程引导的概念瓶颈模型通过引入生物物理意义的中间概念,提升科学领域中深度学习模型的可解释性和透明性,减少误差和偏见,同时利用多源数据产生可解释的中间输出。
2026-01-15 cs.AI cs.CV cs.LG
Interpretability for Time Series Transformers using A Concept Bottleneck Framework
University of Amsterdam(阿姆斯特丹大学)
本文提出使用概念瓶颈框架提升时间序列转换器的可解释性,通过修改训练目标和干预实验验证了方法的有效性。
2025-11-28 cs.LG
SL-CBM: Enhancing Concept Bottleneck Models with Semantic Locality for Better Interpretability
Saarland University(萨尔大学);University of Chinese Academy of Sciences(中国科学院大学);Institute of Science Tokyo(东京科学大学);CISPA Helmholtz Center for Information Security(CISPA亥姆霍兹信息安全中心);Institute of Software, Chinese Academy of Science(中国科学院软件研究所)
SL-CBM通过引入语义局部性增强概念瓶颈模型,提升可解释性和干预效果,同时保持分类准确度。
2026-01-19 cs.AI cs.LG
Editable Concept Bottleneck Models
Provable Responsible AI and Data Analytics (PRADA) Lab(可证明的负责任AI与数据分析(PRADA)实验室);King Abdullah University of Science and Technology(阿卜杜拉国王科技大学);Shanghai Jiao Tong University(上海交通大学);The University of Auckland(奥克兰大学);RIKEN Center for Advanced Intelligence Project (AIP)(理化学研究所先进智能项目中心(AIP));Arizona State University(亚利桑那州立大学);Stony Brook University(石溪大学)
针对概念瓶颈模型在需要修改数据或概念时难以高效重训的问题,提出可编辑概念瓶颈模型(ECBMs),利用影响函数的闭式近似支持三个层级的数据移除,无需从头训练,实验验证了其高效性与适应性。
2025-02-01 cs.AI cs.CV cs.LG
AnyCBMs: How to Turn Any Black Box into a Concept Bottleneck Model
Università della Svizzera Italiana(提契诺大学);Scuola Normale Superiore(比萨高等师范学校)
AnyCBM方法可将任意预训练黑盒模型转化为概念瓶颈模型,以最小计算资源实现可解释性,并验证了其分类性能与概念干预的有效性。
2024-05-26 cs.LG
Explaining Generalization Power of a DNN Using Interactive Concepts
Shanghai Jiao Tong University(上海交通大学)
该研究从交互角度出发,将DNN中的稀疏交互视为交互概念,推导不同复杂度概念的不一致性解析解释,发现泛化能力强的DNN学简单概念更快、编码复杂概念更少,还发现复杂概念学习的绕行动力学以解释其学习难与泛化弱的特性。
2024-09-13 cs.AI cs.CV cs.LG
Uncertainty-aware Language Guidance for Concept Bottleneck Models
Iowa State University(爱荷华州立大学)
本文提出了一种具有不确定性的概念瓶颈模型方法,通过量化LLM标注概念的不确定性并将其纳入训练过程,以提高模型的可靠性和准确性。
2026-02-26 cs.LG
Counterfactual Concept Bottleneck Models
Università della Svizzera italiana(瑞士意大利语大学);IBM Research(IBM研究院);Scuola Normale Superiore(高等师范学院);KU Leuven(鲁汶大学)
本文提出CF-CBMs,通过联合训练反事实生成器与概念瓶颈模型,同时实现高准确率分类、简洁概念解释和可解释反事实生成。
2025-02-20 cs.AI cs.LG
Stochastic Concept Bottleneck Models
ETH Zurich(苏黎世联邦理工学院)
本文提出随机概念瓶颈模型(SCBMs),通过显式分布参数化建模概念依赖关系,使单概念干预影响相关概念,并基于置信区域推导干预策略,在合成与自然图像数据上显著提升干预有效性。
2024-10-17 cs.LG
When Are Concept Bottleneck Model Explanations Faithful and Compact?
University of Trento(特伦托大学);University of Copenhagen(哥本哈根大学);University of Edinburgh(爱丁堡大学)
本文针对概念瓶颈模型,论证忠实解释需包含全部概念,损害紧凑性,并提出概率建模与组套索稀疏化策略,以促进紧凑且忠实的解释,警示天真的可解释性主张。
2026-10-06 cs.AI cs.LG stat.ML
Diverse Concept Proposals for Concept Bottleneck Models
Harvard SEAS(哈佛大学工程与应用科学学院)
提出一种为概念瓶颈模型生成多样化概念提议的方法,通过提供多种替代解释供专家选择,解决了最具预测性概念与专家直觉不一致的问题,并在合成数据集和EHR数据上验证了有效性。
2024-12-24 cs.LG
Concept Embedding Models: Beyond the Accuracy-Explainability Trade-Off
University of Cambridge(剑桥大学);Inria(法国国家信息与自动化研究所);CNRS(法国国家科学研究中心);KU Leuven(鲁汶大学);University of Siena(锡耶纳大学);Babylon Health(巴比伦健康公司);Alan Turing Institute(艾伦·图灵研究所)
本文提出Concept Embedding Models,通过学习可解释的高维概念表示,在任务准确性、概念解释和测试时干预之间突破传统权衡。
2022-12-05 cs.AI cs.LG
Explanation Bottleneck Models
NTT(日本电报电话公司)
针对概念瓶颈模型依赖预定义概念的局限,本文提出 XBMs,利用预训练视觉-语言模型生成自然语言解释并据此预测,通过任务损失与解码器蒸馏正则化兼顾性能与解释质量。
2025-02-18 cs.AI cs.CV cs.LG
Concepts' Information Bottleneck Models
University of Amsterdam(阿姆斯特丹大学);University of West of England(西英格兰大学);University of Hull(赫尔大学);University of Oslo(奥斯陆大学)
本文提出信息瓶颈正则化器,通过最小充分的概念表示提升CBM的预测性能和干预可靠性。
2026-02-16 cs.LG
Towards learning to explain with concept bottleneck models: mitigating information leakage
J.P. Morgan AI Research(摩根大通人工智能研究院)
概念瓶颈模型通过首先预测人类提供的概念列表中的哪些关于数据点是正确的来执行分类。然后,下游模型使用这些预测的概念标签来预测目标标签。预测的概念充当目标预测的基本原理。当使用软概念标签时,模型信任问题出现在这种范式中:以前已经观察到有关数据分布的额外信息泄漏到概念预测中。在这项工作中,我们将展示如何使用蒙特卡罗Dropout来实现不包含泄漏信息的软概念预测。
2022-11-07 cs.CR cs.LG
Adaptive Test-Time Intervention for Concept Bottleneck Models
Columbia University(哥伦比亚大学);UC Berkeley(加州大学伯克利分校)
针对概念瓶颈模型(CBM)中概念使用存在黑箱或性能牺牲的问题,提出FIGS-BD方法,通过二元蒸馏将CBM的概念-目标部分转化为可解释树模型,保持性能的同时实现归因解释,并在4个数据集上通过自适应测试时干预显著提升人在环场景的性能。
2025-04-14 cs.LG
Post-hoc Stochastic Concept Bottleneck Models
Department of Computer Science, ETH Zurich(苏黎世联邦理工学院计算机科学系)
本文提出PSCBMs,通过在预训练CBM中添加小的协方差预测模块,实现轻量级改进,无需重新训练即可提升概念和目标准确率,并在干预下表现更优。
2026-03-14 cs.LG
ShifaMind: A Multiplicative Concept Bottleneck for Interpretable ICD-10 Coding
College of Information Science, University of Arizona(亚利桑那大学信息科学学院)
本文提出ShifaMind,一种基于乘法概念瓶颈的架构,通过改变瓶颈形式而非宽度,提升ICD-10编码的准确性和可解释性。
2026-05-08 cs.CL cs.LG
Hyperbolic Concept Bottleneck Models
Informatics Institute, University of Amsterdam(阿姆斯特丹大学信息学院)
本文提出双曲概念瓶颈模型,通过在双曲空间中重构概念激活,提升神经网络的可解释性,实验表明其在稀疏场景下表现更优。
2026-05-12 cs.CV cs.LG
Semi-supervised Concept Bottleneck Models
University of Virginia(弗吉尼亚大学);KTH Royal Institute of Technology(瑞典皇家理工学院);University of Georgia(佐治亚大学);Shanghai Jiao Tong University(上海交通大学);HKUST(香港科技大学);Ant Group(蚂蚁集团)
针对概念瓶颈模型依赖大量专家标注概念、概念与输入显著性图易错位的问题,提出半监督概念瓶颈模型SSCBM,通过伪标签策略、对齐损失及有/无标注数据联合训练实现概念层面对齐,仅用10%标注数据性能接近全监督最优基线。
2025-03-19 cs.AI cs.CV cs.LG
Graph Concept Bottleneck Models
Department of Applied Mathematics & Statistics(应用数学与统计学系);State University of New York at Stony Brook(石溪州立大学);Halıcıoğlu Data Science Institute(Halıcıoğlu数据科学研究所);University of California, San Diego(加州大学圣地亚哥分校);Thomas J. Watson Research Center(汤普森·J·沃森研究中心);IBM Research(IBM研究院);Department of Biomedical Informatics(生物医学信息学系)
图概念瓶颈模型通过构建潜在概念图来增强概念关系,提升模型性能和可解释性,实验证明其在图像分类中具有更高的准确性与鲁棒性。
2026-04-30 cs.LG
ConceptTS: LLM-Guided Concept Bottlenecks for Interpretable Multivariate Time-Series Forecasting
Stanford University(斯坦福大学);University of California, Davis(加州大学戴维斯分校)
ConceptTS是围绕人类可理解概念的可解释多变量时间序列预测框架,利用大语言模型生成概念与标注规则,在空气质量数据集上达到与黑箱基线相当的准确率,且决策过程可解释。
2026-08-24 cs.LG
Interactive Disentanglement: Learning Concepts by Interacting with their Prototype Representations
TU Darmstadt(达姆施塔特工业大学);Hessian Center for AI (hessian.AI)(黑森人工智能中心(hessian.AI));Centre for Cognitive Science, TU Darmstadt(达姆施塔特工业大学认知科学中心)
从原始图像中学习视觉概念而没有强有力的监督是一项具有挑战性的任务。在这项工作中,我们展示了原型表征的优势,用于理解和修改神经概念学习者的潜在空间。为此,我们引入了交互式概念交换网络(iCSNs),一个新的框架,通过弱监督和隐式原型表示学习概念接地表示。iCSN通过交换成对图像的潜在表示来学习将概念信息绑定到特定的原型插槽。这种语义上接地和离散的潜在空间有利于人类的理解和人机交互。我们支持这一主张进行实验,我们的新数据集“基本概念推理”(ECR),专注于视觉概念共享的几何对象。
2022-03-29 cs.CV cs.LG
Interpretable Reward Modeling with Active Concept Bottlenecks
Department of Computer Science, ETH Zurich, Zurich, Switzerland(苏黎世联邦理工学院计算机科学系);Department of Applied Mathematics and Theoretical Physics, University of Cambridge, United Kingdom(剑桥大学应用数学与理论物理系)
本文提出概念瓶颈奖励模型CB-RM,通过主动学习动态选择最有信息量的概念标签,在保持偏好准确率的同时提升可解释性和样本效率。
2025-07-20 cs.LG
Improving Intervention Efficacy via Concept Realignment in Concept Bottleneck Models
Tübingen AI Center, University of Tübingen(蒂宾根大学蒂宾根人工智能中心);Helmholtz München, TU München(慕尼黑工业大学亥姆霍兹慕尼黑中心)
针对概念瓶颈模型干预成本高的问题,提出可训练的概念干预重对齐模块,利用概念关系在干预后修正概念分配,从而以更少干预达到目标性能。
2024-08-05 cs.AI cs.CV cs.LG
Multimodal Concept Bottleneck Models
UC San Diego(加州大学圣地亚哥分校)
提出多模态概念瓶颈模型(MM-CBM),利用双概念瓶颈层对齐图像和文本嵌入,实现可解释的零样本分类和图像检索,在四个基准上平均准确率提升高达51.26%。
2026-11-10 cs.CV cs.LG
Controllable Concept Bottleneck Models
本文提出可控概念瓶颈模型,通过支持多层次的模型编辑功能,实现无需重新训练的高效可编辑CBMs,以适应动态变化的环境需求。
2026-01-01 cs.LG
InFiConD: Interactive No-code Fine-tuning with Concept-based Knowledge Distillation
Bosch USA(美国博世公司)
本文提出InFiConD框架,利用视觉概念实现知识蒸馏并支持无代码微调,通过人机闭环和可视化驱动方法使非技术用户能高效创建、分析并微调学生模型。
2024-06-25 cs.AI cs.HC cs.LG
Bayesian Concept Bottleneck Models with LLM Priors
University of California, San Francisco(加州大学旧金山分校);Microsoft Research(微软研究院);National University of Singapore(新加坡国立大学)
本文提出BC-LLM模型,利用贝叶斯框架和LLM作为先验,实现高效的概念提取和可解释性提升。
2025-12-04 cs.AI cs.LG stat.ML
Towards Reasonable Concept Bottleneck Models
Saarland University(萨尔兰大学)
本文提出一种灵活高效的框架,用于设计概念瓶颈模型(CBMs),通过显式编码概念间关系和概念到任务的关系,提升模型的可解释性和任务性能。
2026-10-09 cs.AI cs.LG stat.ML