論文の概要: CI-CBM: Class-Incremental Concept Bottleneck Model for Interpretable Continual Learning

• arxiv url: http://arxiv.org/abs/2604.14519v1
• Date: Thu, 16 Apr 2026 01:20:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:31.668827
• Title: CI-CBM: Class-Incremental Concept Bottleneck Model for Interpretable Continual Learning
• Title（参考訳）: CI-CBM:解釈可能な連続学習のためのクラスインクリメンタル概念ボトルネックモデル
• Authors: Amirhosein Javadi, Tuomas Oikarinen, Tara Javidi, Tsui-Wei Weng,
• Abstract要約: 破滅的な忘れ物は、継続的な学習における根本的な課題である。 段階的な学習フェーズを通じて解釈可能な意思決定プロセスを維持するために,クラスインクリメンタル概念ボトルネックモデル(CI-CBM)を導入する。 CI-CBMはブラックボックスモデルに匹敵する性能を達成し、CILの従来の解釈可能なアプローチよりも平均36%の精度向上を実現している。
• 参考スコア（独自算出の注目度）: 21.488426466765343
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Catastrophic forgetting remains a fundamental challenge in continual learning, in which models often forget previous knowledge when fine-tuned on a new task. This issue is especially pronounced in class incremental learning (CIL), which is the most challenging setting in continual learning. Existing methods to address catastrophic forgetting often sacrifice either model interpretability or accuracy. To address this challenge, we introduce ClassIncremental Concept Bottleneck Model (CI-CBM), which leverage effective techniques, including concept regularization and pseudo-concept generation to maintain interpretable decision processes throughout incremental learning phases. Through extensive evaluation on seven datasets, CI-CBM achieves comparable performance to black-box models and outperforms previous interpretable approaches in CIL, with an average 36% accuracy gain. CICBM provides interpretable decisions on individual inputs and understandable global decision rules, as shown in our experiments, thereby demonstrating that human understandable concepts can be maintained during incremental learning without compromising model performance. Our approach is effective in both pretrained and non-pretrained scenarios; in the latter, the backbone is trained from scratch during the first learning phase. Code is publicly available at github.com/importAmir/CI-CBM.
• Abstract（参考訳）: 破滅的な忘れは継続学習における根本的な課題であり、新しいタスクに微調整されたとき、モデルはしばしば以前の知識を忘れる。 この問題は特に、継続学習における最も困難な設定であるクラスインクリメンタルラーニング(CIL)において顕著である。 破滅的な忘れに対処する既存の方法は、しばしばモデルの解釈可能性または精度を犠牲にする。 この課題に対処するために,概念正規化や疑似概念生成といった効果的な手法を活用して,段階的な学習段階を通じて解釈可能な意思決定プロセスを維持するクラスインクリメンタル概念ボトルネックモデル(CI-CBM)を導入する。 7つのデータセットに対する広範な評価を通じて、CI-CBMはブラックボックスモデルに匹敵するパフォーマンスを達成し、CILにおける従来の解釈可能なアプローチよりも平均36%の精度向上を実現している。 CICBMは,本実験で示すように,個々の入力に対する解釈可能な決定と,理解可能なグローバルな決定ルールを提供し,モデル性能を損なうことなく,段階的な学習において人間の理解可能な概念を維持できることを実証する。 本手法は,事前訓練されたシナリオと非事前訓練されたシナリオの両方において有効であり,後者では,第1学習フェーズにおいてバックボーンをスクラッチからトレーニングする。 コードはgithub.com/importAmir/CI-CBMで公開されている。

関連論文リスト

• Modular Memory is the Key to Continual Learning Agents [100.09688599754465]
  In-Weight Learning(IWL)の強みと、モジュラーメモリの設計を通じて新たに登場したIn-Context Learning(ICL)の機能を組み合わせることが、大規模に継続的適応するための欠片である、と我々は主張する。 我々は、ICLを高速適応と知識蓄積に活用するモジュール型メモリ中心アーキテクチャの概念的フレームワークと、モデル機能の安定した更新のためのIWLについて概説する。
  論文  参考訳（メタデータ） (2026-03-02T11:40:05Z)
• 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)
• Language Guided Concept Bottleneck Models for Interpretable Continual Learning [62.09201360376577]
  継続的な学習は、学習した情報を忘れることなく、学習システムが新しい知識を常に獲得することを目的としている。 既存のCLメソッドのほとんどは、モデルパフォーマンスを改善するための学習知識の保存に重点を置いている。 両課題に対処するために,言語指導型概念ボトルネックモデルを統合する新しいフレームワークを導入する。
  論文  参考訳（メタデータ） (2025-03-30T02:41:55Z)
• Learning New Concepts, Remembering the Old: Continual Learning for Multimodal Concept Bottleneck Models [11.716449233474451]
  概念ボトルネックモデル(CBM)は、人間の理解可能な概念で視覚的な入力をブリッジすることで、AIシステムの解釈可能性を高める。 既存のCBMは静的データセットを前提としており、実際のマルチモーダルデータストリームへの適応性を制限している。 我々は,CBMのための新しい継続学習タスクを定義し,概念・増分学習とクラス・増分学習を同時に扱う。
  論文  参考訳（メタデータ） (2024-11-25T10:44:14Z)
• Towards Robust Continual Learning with Bayesian Adaptive Moment Regularization [51.34904967046097]
  継続的な学習は、モデルが以前に学習した情報を忘れてしまう破滅的な忘れ込みの課題を克服しようとする。 本稿では,パラメータ成長の制約を緩和し,破滅的な忘れを減らし,新しい事前手法を提案する。 以上の結果から, BAdamは, 単頭クラスインクリメンタル実験に挑戦する先行手法に対して, 最先端の性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-09-15T17:10:51Z)
• PILOT: A Pre-Trained Model-Based Continual Learning Toolbox [65.57123249246358]
  本稿では,PILOTとして知られるモデルベース連続学習ツールボックスについて紹介する。 一方、PILOTはL2P、DualPrompt、CODA-Promptといった事前学習モデルに基づいて、最先端のクラスインクリメンタル学習アルゴリズムを実装している。 一方、PILOTは、事前学習されたモデルの文脈に典型的なクラス増分学習アルゴリズムを適合させ、それらの効果を評価する。
  論文  参考訳（メタデータ） (2023-09-13T17:55:11Z)
• ICICLE: Interpretable Class Incremental Continual Learning [35.105786309067895]
  Interpretable Class-InCremental LEarning (ICICLE) は、模範的な部分ベースのアプローチを採用する、典型的なフリーアプローチである。 実験の結果,ICICLEは解釈可能性の概念のドリフトを減らし,従来のクラス増分学習手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-03-14T11:31:45Z)

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。