TMLR

CI-CBM: Class-Incremental Concept Bottleneck Model for Interpretable Continual Learning

CI-CBM：用于可解释持续学习的类增量概念瓶颈模型

Amirhosein Javadi, Tuomas Oikarinen, Tara Javidi, Tsui-Wei Weng

机构 * Department of Electrical and Computer Engineering, University of California San Diego（加州大学圣地亚哥分校电气与计算机工程系） ； Department of Computer Science and Engineering, University of California San Diego（加州大学圣地亚哥分校计算机科学与工程系） ； Halıcıoğlu Data Science Institute, University of California San Diego（加州大学圣地亚哥分校Halıcıoğlu数据科学研究所） 纠错

AI总结 本文提出CI-CBM模型，通过概念正则化和伪概念生成技术，在持续学习中保持可解释性，实验表明其在七种数据集上性能优异，比现有可解释方法平均提升36%。

Comments 31 pages, 6 figures. Published in Transactions on Machine Learning Research (TMLR), 04/2026

Journal ref Transactions on Machine Learning Research, 2026

Maximal Brain Damage Without Data or Optimization: Disrupting Neural Networks via Sign-Bit Flips

最大脑损伤无数据或优化：通过符号位翻转破坏神经网络

Ido Galil, Moshe Kimhi, Ran El-Yaniv

机构 * NVIDIA ； Technion（技术学院） ； IBM Research（IBM研究院） 纠错

AI总结 研究通过符号位翻转破坏神经网络，展示了在多个领域中的脆弱性，并提出数据和优化无关的DNL方法及改进版本1P-DNL，提出保护关键符号位的防御策略。

Comments 10 pages, 5 figures. Accepted as a Featured Paper at Transactions on Machine Learning Research (TMLR)

Journal ref Transactions on Machine Learning Research (TMLR), 2026