論文の概要: Process-Guided Concept Bottleneck Model

• arxiv url: http://arxiv.org/abs/2601.10562v1
• Date: Thu, 15 Jan 2026 16:25:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-16 19:43:19.223645
• Title: Process-Guided Concept Bottleneck Model
• Title（参考訳）: プロセスガイド型概念ボトルネックモデル
• Authors: Reza M. Asiyabi, SEOSAW Partnership, Steven Hancock, Casey Ryan,
• Abstract要約: 概念ボトルネックモデル(CBM)は、中間的セマンティック概念を導入して、ブラックボックスディープラーニング(DL)の説明可能性を改善する。 本稿では,プロセスガイド型概念ボトルネックモデル(PG-CBM)を提案する。
• 参考スコア（独自算出の注目度）: 0.07636080858421673
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Concept Bottleneck Models (CBMs) improve the explainability of black-box Deep Learning (DL) by introducing intermediate semantic concepts. However, standard CBMs often overlook domain-specific relationships and causal mechanisms, and their dependence on complete concept labels limits applicability in scientific domains where supervision is sparse but processes are well defined. To address this, we propose the Process-Guided Concept Bottleneck Model (PG-CBM), an extension of CBMs which constrains learning to follow domain-defined causal mechanisms through biophysically meaningful intermediate concepts. Using above ground biomass density estimation from Earth Observation data as a case study, we show that PG-CBM reduces error and bias compared to multiple benchmarks, whilst leveraging multi-source heterogeneous training data and producing interpretable intermediate outputs. Beyond improved accuracy, PG-CBM enhances transparency, enables detection of spurious learning, and provides scientific insights, representing a step toward more trustworthy AI systems in scientific applications.
• Abstract（参考訳）: 概念ボトルネックモデル(CBM)は、中間的セマンティック概念を導入することにより、ブラックボックスディープラーニング(DL)の説明可能性を向上させる。 しかし、標準的なCBMはドメイン固有の関係や因果関係を見落とし、完全な概念ラベルへの依存は、監督が不十分だがプロセスが適切に定義されている科学領域における適用性を制限している。 そこで本研究では,プロセスガイド型概念ボトルネックモデル(PG-CBM, Process-Guided Concept Bottleneck Model, PG-CBM)を提案する。 地上のバイオマス密度を地球観測データから推定すると,PG-CBMは複数ベンチマークと比較して誤差やバイアスを低減し,マルチソースの不均一なトレーニングデータを活用するとともに,解釈可能な中間出力を生成する。 PG-CBMは精度の向上に加えて、透明性を強化し、素早い学習の検出を可能にし、科学的応用におけるより信頼できるAIシステムへのステップを示す科学的洞察を提供する。

関連論文リスト

• Controllable Concept Bottleneck Models [55.03639763625018]
  制御可能な概念ボトルネックモデル(CCBM) CCBMは、概念ラベルレベル、概念レベル、データレベルという3つのモデル編集の粒度をサポートする。 CCBMは、数学的に厳密な閉形式近似を享受し、再訓練の必要性を和らげる影響関数から導かれる。
  論文  参考訳（メタデータ） (2026-01-01T19:30:06Z)
• Towards more holistic interpretability: A lightweight disentangled Concept Bottleneck Model [5.700536552863068]
  概念ボトルネックモデル(CBM)は、人間の理解可能な概念を中間表現として予測することにより、解釈可能性を高める。 本稿では,視覚的特徴を意味論的に意味のある構成要素に自動的に分類する軽量なDECBMを提案する。 3つの多様なデータセットの実験により、LCDBMはより高い概念とクラス精度を達成し、解釈可能性と分類性能の両方において従来のCBMよりも優れていたことが示されている。
  論文  参考訳（メタデータ） (2025-10-17T15:59:30Z)
• When Brain Foundation Model Meets Cauchy-Schwarz Divergence: A New Framework for Cross-Subject Motor Imagery Decoding [21.816266585365042]
  MI-EEGデコーディングは、オブジェクト間の大きなばらつきと限られたラベル付きターゲットデータのため、依然として困難である。 多くの既存のマルチソースドメイン適応手法は、すべての利用可能なソースドメインを無差別に組み込む。 本稿では,事前訓練された大脳基礎モデル(BFM)を動的および情報的対象選択に活用する新しいMSDAフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-28T17:55:26Z)
• CTRLS: Chain-of-Thought Reasoning via Latent State-Transition [57.51370433303236]
  チェーン・オブ・シント(CoT)推論は、大規模な言語モデルで複雑な問題を解釈可能な中間ステップに分解することを可能にする。 我々は,遅延状態遷移を伴うマルコフ決定プロセス(MDP)としてCoT推論を定式化するフレームワークであるgroundingSを紹介する。 我々は、ベンチマーク推論タスクにおける推論精度、多様性、探索効率の改善を示す。
  論文  参考訳（メタデータ） (2025-07-10T21:32:18Z)
• Channel Fingerprint Construction for Massive MIMO: A Deep Conditional Generative Approach [65.47969413708344]
  CF双生児の概念を導入し、条件付き生成拡散モデル(CGDM)を設計する。 本研究では, 粗粒CFに条件付き観測された細粒CFの対数分布に対するエビデンスローバウンド(ELBO)を導出するために, 変分推論手法を用いる。 提案手法は, ベースラインと比較して, 復元性能が著しく向上していることを示す。
  論文  参考訳（メタデータ） (2025-05-12T01:36:06Z)
• Causal Representation Learning from Multimodal Biomedical Observations [57.00712157758845]
  バイオメディカルデータセットの理解を容易にするために,マルチモーダルデータに対するフレキシブルな識別条件と原理的手法を開発した。 主要な理論的貢献は、モジュラリティ間の因果関係の構造的空間性である。 実世界のヒト表現型データセットの結果は、確立された生物医学研究と一致している。
  論文  参考訳（メタデータ） (2024-11-10T16:40:27Z)
• Differentiable Information Bottleneck for Deterministic Multi-view Clustering [9.723389925212567]
  我々は、決定論的かつ分析的なMVCソリューションを提供する新しい微分可能情報ボトルネック(DIB)手法を提案する。 具体的には、まず、正規化されたカーネルグラム行列を利用して高次元空間の相互情報を直接適合させることを提案する。 そして、新たな相互情報測定に基づいて、解析勾配を持つ決定論的多視点ニューラルネットワークを明示的にトレーニングし、IBの原理をパラメータ化する。
  論文  参考訳（メタデータ） (2024-03-23T02:13:22Z)
• Relational Concept Bottleneck Models [13.311396882130033]
  概念ボトルネックモデル(CBM)は問題を解決するために設計されていない。 R-CBMは標準CBMとリレーショナルGNNの両方を表現できる。 特に,R-CBMが概念に基づく説明の生成を支援することを示す。
  論文  参考訳（メタデータ） (2023-08-23T08:25:33Z)

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。