論文の概要: Tree of Concepts: Interpretable Continual Learners in Non-Stationary Clinical Domains

• arxiv url: http://arxiv.org/abs/2604.17089v1
• Date: Sat, 18 Apr 2026 17:58:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.326838
• Title: Tree of Concepts: Interpretable Continual Learners in Non-Stationary Clinical Domains
• Title（参考訳）: 概念の木:非定常臨床領域における解釈可能な連続学習者
• Authors: Dongkyu Cho, Xiyue Li, Samrachana Adhikari, Rumi Chunara,
• Abstract要約: 継続的学習は、分散シフト中のモデルを忘れずに更新することを目的としている。 本稿では,浅い決定木を用いて規則ベースの概念インターフェースを定義する,解釈可能な連続学習フレームワークであるTree of Conceptsを提案する。 この結果から,構造化された概念インタフェースは,非定常かつ高レベルなドメインにおける一貫した監査インタフェースを維持しつつ,連続的な適応をサポートすることが示唆された。
• 参考スコア（独自算出の注目度）: 2.688900425133985
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Continual learning aims to update models under distribution shift without forgetting, yet many high-stakes deployments, such as healthcare, also require interpretability. In practice, models that adapt well (e.g., deep networks) are often opaque, while models that are interpretable (e.g., decision trees) are brittle under shift, making it difficult to achieve both properties simultaneously. In response, we propose Tree of Concepts, an interpretable continual learning framework that uses a shallow decision tree to define a fixed, rule-based concept interface and trains a concept bottleneck model to predict these concepts from raw features. Continual updates act on the concept extractor and label head while keeping concept semantics stable over time, yielding explanations that do not drift across sequential updates. On multiple tabular healthcare benchmarks under continual learning protocols, our method achieves a stronger stability-plasticity trade-off than existing baselines, including replay-enhanced variants. Our results suggest that structured concept interfaces can support continual adaptation while preserving a consistent audit interface in non-stationary, high-stakes domains.
• Abstract（参考訳）: 継続的学習は、分散シフト中のモデルを忘れずに更新することを目的としている。 実際には、よく適応するモデル(例えば、ディープネットワーク)は、しばしば不透明であり、解釈可能なモデル(例えば、決定木)は、シフト中に不安定であり、両方の特性を同時に達成することは困難である。 そこで本研究では,浅い決定木を用いて規則ベースの概念インターフェースを定義し,これらの概念を生の特徴から予測するための概念ボトルネックモデルをトレーニングする,解釈可能な連続学習フレームワークであるTree of Conceptsを提案する。 連続的な更新は、概念抽出器とラベルヘッドに作用し、概念セマンティクスを時間とともに安定させ、シーケンシャルな更新を通さない説明を与える。 連続学習プロトコル下での複数の表型医療ベンチマークでは,リプレイ強化型を含む既存のベースラインよりも安定性と塑性のトレードオフが強くなっている。 この結果から,構造化された概念インタフェースは,非定常かつ高レベルなドメインにおいて一貫した監査インタフェースを維持しつつ,連続的な適応をサポートすることが可能であることが示唆された。

関連論文リスト

• Insight: Interpretable Semantic Hierarchies in Vision-Language Encoders [52.94006363830628]
  言語対応の視覚基盤モデルは、下流の様々なタスクで強く機能する。 近年の研究では、これらの表現を人間の解釈可能な概念に分解するが、空間的接地が乏しく、画像分類に限られている。 入力画像に人間が解釈可能で空間的に接地した、きめ細かい概念を提供する言語対応概念基盤モデルであるInsightを提案する。
  論文  参考訳（メタデータ） (2026-01-20T09:57:26Z)
• Temporal Concept Dynamics in Diffusion Models via Prompt-Conditioned Interventions [70.87254264798341]
  PCIは、拡散時間を通して概念力学を解析するためのトレーニング不要でモデルに依存しないフレームワークである。 拡散モデルにまたがる様々な時間的挙動を明らかにしており、同じ概念タイプであっても、軌道の特定の位相は特定の概念に好適である。
  論文  参考訳（メタデータ） (2025-12-09T11:05:08Z)
• When, How Long and How Much? Interpretable Neural Networks for Time Series Regression by Learning to Mask and Aggregate [16.533105886716804]
  時系列外部回帰(英: Time series extrinsic regression、TSER)とは、連続目標変数を入力時系列から予測するタスクである。 新しいアプローチは、アノテーションを必要とせずに、人間の理解可能な概念のコンパクトなセットを学ぶ。
  論文  参考訳（メタデータ） (2025-12-03T09:01:41Z)
• FaCT: Faithful Concept Traces for Explaining Neural Network Decisions [56.796533084868884]
  ディープネットワークは、幅広いタスクで顕著なパフォーマンスを示しているが、それらの機能に関するグローバルな概念レベルの理解は、依然として重要な課題である。 本稿では,概念に基づく説明の忠実さを強調し,モデル独立な機械的概念説明を用いた新しいモデルを提案する。 私たちの概念はクラス間で共有され、あらゆるレイヤから、ロジットへの貢献と入力-視覚化を忠実にトレースすることができます。
  論文  参考訳（メタデータ） (2025-10-29T13:35:46Z)
• ConceptGuard: Continual Personalized Text-to-Image Generation with Forgetting and Confusion Mitigation [3.7816957214446103]
  ConceptGuardは、シフト埋め込み、コンセプトバインディングプロンプト、メモリ保存正規化を組み合わせた包括的なアプローチである。 本手法は, 定量的, 定性的な解析において, 基礎的手法を連続的に, 著しく上回ることを示す。
  論文  参考訳（メタデータ） (2025-03-13T13:39:24Z)
• Concept Based Continuous Prompts for Interpretable Text Classification [18.821639956791213]
  本稿では、連続的なプロンプトを人間可読な概念に分解して解釈する枠組みを提案する。 我々は、GPT-4oを用いて概念プールを生成し、差別的で代表的な潜在的候補概念を選択する。 実験により,本フレームワークは従来のPチューニングや単語ベースアプローチと同じような結果が得られることが示された。
  論文  参考訳（メタデータ） (2024-12-02T15:56:08Z)
• How to Continually Adapt Text-to-Image Diffusion Models for Flexible Customization? [91.49559116493414]
  本稿では,CIDM(Concept-Incremental Text-to-image Diffusion Model)を提案する。 破滅的な忘れと概念の無視を解決し、新しいカスタマイズタスクを概念的な方法で学習する。 実験により、CIDMが既存のカスタム拡散モデルを上回ることが確認された。
  論文  参考訳（メタデータ） (2024-10-23T06:47:29Z)
• WormKAN: Are KAN Effective for Identifying and Tracking Concept Drift in Time Series? [6.4314326272535896]
  WormKANはコンセプトを意識したkanベースのモデルで、共同進化する時系列のコンセプトドリフトに対処する。 WormKANはPatch Normalization、Temporal Representation Module、Concept Dynamicsの3つの重要なコンポーネントで構成されている。
  論文  参考訳（メタデータ） (2024-10-13T23:05:37Z)
• Enforcing Interpretability in Time Series Transformers: A Concept Bottleneck Framework [2.8470354623829577]
  本研究では,時系列変換器の解釈可能性を実現するための概念ボトルネックモデルに基づくフレームワークを開発する。 我々は、事前定義された解釈可能な概念に似た表現を開発するようモデルに促すために、トレーニング対象を変更する。 モデルの性能はほとんど影響を受けていないが、モデルは解釈可能性を大幅に改善している。
  論文  参考訳（メタデータ） (2024-10-08T14:22:40Z)
• ClassDiffusion: More Aligned Personalization Tuning with Explicit Class Guidance [90.57708419344007]
  新しい概念を学ぶ際に, 概念空間を明示的に規制するために, ** 連続保存損失** を利用するテクニックである **ClassDiffusion** を提示する。 このアプローチは単純ではあるが、ターゲット概念の微調整過程における意味的ドリフトを効果的に防止する。
  論文  参考訳（メタデータ） (2024-05-27T17:50:10Z)

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。