論文の概要: Concepts Worth Having: Refining VLM-Guided Concept Bottleneck Models with Minimal Annotations

• arxiv url: http://arxiv.org/abs/2605.16405v1
• Date: Wed, 13 May 2026 10:07:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:46.295301
• Title: Concepts Worth Having: Refining VLM-Guided Concept Bottleneck Models with Minimal Annotations
• Title（参考訳）: 概念価値:最小アノテーションを用いたVLM誘導概念ボトルネックモデルの精錬
• Authors: Nicola Debole, Andrea Passerini, Stefano Teso, Andrea Pugnana, Emanuele Marconato,
• Abstract要約: Vision-plus-Human-Guided CBM (VH-CBM) は、Vision-Language Models (VLM) と少量の高密度アノテーションを利用するハイブリッドアプローチである。 VH-CBMは、データの1%を注釈付けしても、VLM誘導CBMよりも正確な概念を予測できる。
• 参考スコア（独自算出の注目度）: 21.060815865649477
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Concept-bottleneck models (CBMs) are neural classifiers that compute predictions from high-level concepts extracted from the input. CBMs ensure stakeholders can understand the concepts -- and the predictions they entail -- by learning these from concept-level annotations, which are however seldom available. Recent CBM architectures work around this issue by obtaining annotations from Vision-Language Models (VLMs). While greatly broadening applicability, doing so can yield lower quality concepts and therefore less interpretable models. We strike for a middle ground by introducing Vision-plus-Human-guided CBM (VH-CBM), a hybrid approach that exploits both VLMs and a small amount of dense annotations. VH-CBM employs a Gaussian Process in the VLM's embedding space, which captures useful global information about the target domain, to propagate the expert's supervision to any target data point. Our empirical evaluation shows how VH-CBM predicts more accurate concepts than VLM-guided CBMs even when annotating as little as 1% of the data, while sporting better concept calibration and supporting active learning.
• Abstract（参考訳）: コンセプト・ブートネックモデル(Concept-Bottleneck Model、CBM)は、入力から抽出された高レベルの概念から予測を計算するニューラルネットワーク分類器である。 CBMは、概念レベルのアノテーションからこれらを学ぶことで、ステークホルダーが概念(そしてそれらが必要とする予測)を理解することを確実にします。 近年のCBMアーキテクチャは、Vision-Language Models (VLM) からアノテーションを取得することでこの問題に対処している。 適用性を大幅に拡大する一方で、それを行うことで、より品質の低い概念が得られ、解釈可能なモデルも少なくなります。 我々は、VLMと少量の高密度アノテーションを併用したハイブリッドアプローチであるVision-plus-Human-Guided CBM(VH-CBM)を導入することで、中間層に挑戦する。 VH-CBMは、VLMの埋め込み空間にガウス過程を採用し、ターゲットドメインに関する有用なグローバル情報をキャプチャして、専門家の監督を任意のターゲットデータポイントに広める。 我々の経験的評価は、VH-CBMが、データの1%を注釈付けしても、VLM誘導型CBMよりも正確な概念を予測し、より良い概念校正とアクティブラーニングをサポートすることを示しています。

関連論文リスト

• Learning Concept Bottleneck Models from Mechanistic Explanations [4.071515891039002]
  概念ボトルネックモデル(Concept Bottleneck Models, CBM)は、決定の前に解釈可能な概念を予測するボトルネックレイヤを学習することで、ホットな解釈可能性を目指す。 メカニスティックCBMはブラックボックスモデルの学習概念から直接ボトルネックを構築する。 M-CBMは, 一致した間隔で, 先行のCBMを常に上回っていることを示す。
  論文  参考訳（メタデータ） (2026-03-07T21:09:01Z)
• Rethinking Concept Bottleneck Models: From Pitfalls to Solutions [53.84388497227224]
  概念ボトルネックモデル (Concept Bottleneck Models, CBM) は、人間の理解可能な概念の基底予測である。 CBM-Suiteはこれらの課題に対処するための方法論的なフレームワークである。
  論文  参考訳（メタデータ） (2026-03-05T19:37:49Z)
• 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)
• AUVIC: Adversarial Unlearning of Visual Concepts for Multi-modal Large Language Models [63.05306474002547]
  を強制する規制フレームワークは、機械学習の必要性を喚起します。 AUVICはMLLMのための新しい視覚概念アンラーニングフレームワークである。 AUVICは,非ターゲット概念の性能劣化を最小限に抑えつつ,最先端の目標忘れ率を実現していることを示す。
  論文  参考訳（メタデータ） (2025-11-14T13:35:32Z)
• Interpretable Reward Modeling with Active Concept Bottlenecks [54.00085739303773]
  本稿では,解釈可能な嗜好学習を可能にする報酬モデリングフレームワークであるConcept Bottleneck Reward Models (CB-RM)を紹介する。 不透明報酬関数に依存する標準的なRLHF法とは異なり、CB-RMは報酬予測を人間の解釈可能な概念に分解する。 我々は,最も情報性の高い概念ラベルを動的に取得する能動的学習戦略を定式化する。
  論文  参考訳（メタデータ） (2025-07-07T06:26:04Z)
• VLG-CBM: Training Concept Bottleneck Models with Vision-Language Guidance [16.16577751549164]
  Concept Bottleneck Models (CBM) は解釈可能な予測を提供する。 CBMは人間の理解可能な概念を符号化し、モデルの判断を説明する。 本稿では,VLG-CBM(Vision-Language-Guided Concept Bottleneck Model)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T19:44:44Z)
• Auxiliary Losses for Learning Generalizable Concept-based Models [5.4066453042367435]
  コンセプト・ボトルネック・モデル (Concept Bottleneck Models, CBM) は導入以来人気を集めている。 CBMは基本的に、モデルの潜在空間を人間に理解可能な高レベルな概念に制限する。 本稿では,協調型コンセプション・ボトルネックモデル(coop-CBM)を提案し,性能トレードオフを克服する。
  論文  参考訳（メタデータ） (2023-11-18T15:50:07Z)
• Evaluating and Explaining Large Language Models for Code Using Syntactic Structures [74.93762031957883]
  本稿では,コード用大規模言語モデルに特有の説明可能性手法であるASTxplainerを紹介する。 その中核にあるASTxplainerは、トークン予測をASTノードに整合させる自動メソッドを提供する。 私たちは、最も人気のあるGitHubプロジェクトのキュレートデータセットを使用して、コード用の12の人気のあるLLMに対して、実証的な評価を行います。
  論文  参考訳（メタデータ） (2023-08-07T18:50:57Z)

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。