論文の概要: Hierarchical, Interpretable, Label-Free Concept Bottleneck Model

• arxiv url: http://arxiv.org/abs/2604.02468v1
• Date: Thu, 02 Apr 2026 19:02:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 17:20:24.178361
• Title: Hierarchical, Interpretable, Label-Free Concept Bottleneck Model
• Title（参考訳）: 階層的・解釈可能・ラベルなし概念ボトルネックモデル
• Authors: Haodong Xie, Yujun Cai, Rahul Singh Maharjan, Yiwei Wang, Federico Tavella, Angelo Cangelosi,
• Abstract要約: CBMは、人間の理解可能な概念を通じてラベルを予測することによって、ブラックボックスのディープラーニングモデルに解釈可能性を導入している。 HIL-CBMは,人間の認知過程をより深く反映し,解釈可能性を高める階層的な枠組みである。 HIL-CBMは概念に基づく説明の抽象レベルとモデル予測の抽象レベルを一致させ、抽象から具体的へと進化させる。
• 参考スコア（独自算出の注目度）: 26.8734811438552
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Concept Bottleneck Models (CBMs) introduce interpretability to black-box deep learning models by predicting labels through human-understandable concepts. However, unlike humans, who identify objects at different levels of abstraction using both general and specific features, existing CBMs operate at a single semantic level in both concept and label space. We propose HIL-CBM, a Hierarchical Interpretable Label-Free Concept Bottleneck Model that extends CBMs into a hierarchical framework to enhance interpretability by more closely mirroring the human cognitive process. HIL-CBM enables classification and explanation across multiple semantic levels without requiring relational concept annotations. HIL-CBM aligns the abstraction level of concept-based explanations with that of model predictions, progressing from abstract to concrete. This is achieved by (i) introducing a gradient-based visual consistency loss that encourages abstraction layers to focus on similar spatial regions, and (ii) training dual classification heads, each operating on feature concepts at different abstraction levels. Experiments on benchmark datasets demonstrate that HIL-CBM outperforms state-of-the-art sparse CBMs in classification accuracy. Human evaluations further show that HIL-CBM provides more interpretable and accurate explanations, while maintaining a hierarchical and label-free approach to feature concepts.
• Abstract（参考訳）: 概念ボトルネックモデル(CBM)は、人間の理解可能な概念を通じてラベルを予測することによって、ブラックボックスのディープラーニングモデルに解釈可能性を導入する。 しかしながら、一般的な特徴と特定の特徴の両方を用いて異なる抽象レベルでオブジェクトを識別する人間とは異なり、既存のCBMは概念とラベル空間の両方において単一の意味レベルで機能する。 本研究では,CBMを階層的な枠組みに拡張し,人間の認知過程をより深く反映して解釈可能性を高める階層的解釈可能なラベルフリー概念ボトルネックモデルであるHIL-CBMを提案する。 HIL-CBMは、関係概念アノテーションを必要とせずに、複数の意味レベルの分類と説明を可能にする。 HIL-CBMは概念に基づく説明の抽象レベルとモデル予測の抽象レベルを一致させ、抽象から具体的へと進化させる。 これは達成される 一 抽象層が同様の空間領域に集中することを奨励する勾配に基づく視覚的整合性損失を導入し、 (II) 2つの分類ヘッドを訓練し、それぞれ異なる抽象レベルで特徴概念を演算する。 ベンチマークデータセットの実験では、HIL-CBMは最先端のスパースCBMよりも精度が高いことが示されている。 人間による評価は、HIL-CBMがより解釈可能で正確な説明を提供する一方で、特徴概念に対する階層的でラベルのないアプローチを維持していることを示している。

関連論文リスト

• Digging Deeper: Learning Multi-Level Concept Hierarchies [23.16720677779406]
  概念に基づくモデルは一般的に、人間の理解可能な概念で予測を説明するために徹底的なアノテーションに依存している。 マルチレベル概念分割(MLCS)を導入し,トップレベルの監督のみから多レベル概念階層を発見する。 また、発見された階層を表現し、複数の抽象化レベルでの介入を可能にするアーキテクチャであるDeep-HiCEMについても紹介する。
  論文  参考訳（メタデータ） (2026-03-10T12:48:20Z)
• A Geometric Unification of Concept Learning with Concept Cones [58.70836885177496]
  解釈可能性の2つの伝統は、並べて進化してきたが、互いに話すことはめったにない:概念ボトルネックモデル(CBM)とスパースオートエンコーダ(SAE)。 両パラダイムが同じ幾何学的構造をインスタンス化することを示す。 CBMは人間の定義した参照ジオメトリを提供するが、SAEは学習した円錐がCBMをどの程度よく近似するか、あるいは包含しているかによって評価することができる。
  論文  参考訳（メタデータ） (2025-12-08T09:51:46Z)
• Interpretable Few-Shot Image Classification via Prototypical Concept-Guided Mixture of LoRA Experts [79.18608192761512]
  自己説明可能なモデル(SEM)は、視覚認識プロセスをより解釈可能なものにするために、プロトタイプ概念学習(PCL)に依存している。 パラメトリック不均衡と表現の不整合という2つの重要な課題を緩和するFew-Shotプロトタイプ概念分類フレームワークを提案する。 我々のアプローチは、既存のSEMを顕著な差で常に上回っており、5-way 5-shot分類では4.2%-8.7%の相対的な利得がある。
  論文  参考訳（メタデータ） (2025-06-05T06:39:43Z)
• Attribute-formed Class-specific Concept Space: Endowing Language Bottleneck Model with Better Interpretability and Scalability [54.420663939897686]
  本稿では,解釈可能な画像認識を実現するために,Attribute-formed Language Bottleneck Model (ALBM)を提案する。 ALBMは属性形式クラス固有の空間において概念を整理する。 解釈性をさらに向上するため,細粒度属性の視覚的特徴を抽出するVAPL(Visual Attribute Prompt Learning)を提案する。
  論文  参考訳（メタデータ） (2025-03-26T07:59:04Z)
• Discover-then-Name: Task-Agnostic Concept Bottlenecks via Automated Concept Discovery [52.498055901649025]
  ディープニューラルネットワークの「ブラックボックス」問題に対処するために、概念ボトルネックモデル(CBM)が提案されている。 本稿では,典型的なパラダイムを逆転させる新しいCBMアプローチであるDiscover-then-Name-CBM(DN-CBM)を提案する。 我々の概念抽出戦略は、下流のタスクに非依存であり、既にそのモデルに知られている概念を使用するため、効率的である。
  論文  参考訳（メタデータ） (2024-07-19T17:50:11Z)
• MCPNet: An Interpretable Classifier via Multi-Level Concept Prototypes [24.28807025839685]
  我々は、低レベルの特徴の意思決定プロセスに関する洞察が欠如している説明は、完全に忠実でも有用でもないと論じる。 本稿では,クラス認識概念分布(CCD)の損失を通じて,分類目的のマルチレベル概念のプロトタイプ分布を学習・調整する新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2024-04-13T11:13:56Z)
• Eliminating Information Leakage in Hard Concept Bottleneck Models with Supervised, Hierarchical Concept Learning [17.982131928413096]
  概念ボトルネックモデル(Concept Bottleneck Models、CBM)は、人間の理解できない概念で特徴やラベルをブリッジすることで、解釈可能で介入可能な予測を提供することを目的としている。 CBMは情報漏洩に悩まされ、概念以外の意図しない情報がその後のラベル予測にリークされる。 本稿では,CBMの新たなパラダイム,すなわちSupCBMを提案する。
  論文  参考訳（メタデータ） (2024-02-03T03:50:58Z)
• Interpreting Pretrained Language Models via Concept Bottlenecks [55.47515772358389]
  事前訓練された言語モデル(PLM)は、様々な自然言語処理タスクにおいて大きな進歩を遂げてきた。 ブラックボックスの性質による解釈可能性の欠如は、責任ある実装に課題をもたらす。 本研究では,人間にとって理解しやすい高レベルで有意義な概念を用いて,PLMを解釈する新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-11-08T20:41:18Z)

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。