論文の概要: Matryoshka Concept Bottleneck Models

• arxiv url: http://arxiv.org/abs/2605.20612v2
• Date: Tue, 26 May 2026 15:25:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:40.864879
• Title: Matryoshka Concept Bottleneck Models
• Title（参考訳）: マトリオシカ概念ボトルネックモデル
• Authors: Ziye Chen, Hongbin Lin, Xinyue Xu, Jie Li, Lijie Hu,
• Abstract要約: 単一モデル内で適応的な概念利用を可能にする統一アーキテクチャを提案する。 MCBMは、最大関連性と最小冗長性に基づいて、概念をネストした階層に整理する。 MCBMは,単調な性能向上を保証しながら,線形から対数順への介入コストを$O(log K)$に削減できることを示す。
• 参考スコア（独自算出の注目度）: 23.56025633268
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Concept Bottleneck Models (CBMs) have emerged as a prominent paradigm for interpretable deep learning, learning by grounding predictions in human-understandable concepts. However, their practical deployment is hindered by the high cost of test-time intervention, as correcting model errors typically requires human experts to manually inspect and verify a large set of predicted concepts. Existing approaches suffer from a fundamental structural limitation: they either adopt a single static concept set, forcing experts to exhaustively annotate concepts and incurring prohibitive intervention costs, or train multiple models tailored to different concept budgets, resulting in substantial computational and maintenance overhead. To address this challenge, we propose the Matryoshka Concept Bottleneck Model (MCBM), a unified architecture that enables adaptive concept utilization within a single model. Inspired by Matryoshka Representation Learning, MCBM organizes concepts into a nested hierarchy based on maximum relevance and minimum redundancy, allowing inference at multiple levels of conceptual granularity without retraining. Theoretically, we show that MCBM reduces the expected intervention costs from linear to logarithmic order, $O(\log K)$, while guaranteeing monotonic performance improvement. Empirically, extensive experiments demonstrate that MCBM matches the performance of independently trained models while enabling dynamic and efficient expert interaction.
• Abstract（参考訳）: 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の予測を基礎として、深層学習を解釈するための顕著なパラダイムとして登場した。 しかし、モデルエラーの修正は通常、人間の専門家が手動で予測される概念の大規模なセットを検査し検証する必要があるため、彼らの実践的なデプロイメントは、高いテスト時間介入のコストによって妨げられている。 既存のアプローチは基本的な構造的制限に悩まされており、単一の静的な概念セットを採用し、専門家に概念を徹底的に注釈付けさせ、禁止的な介入コストを発生させるか、異なる概念予算に合わせた複数のモデルを訓練することで、計算と保守のオーバーヘッドを大幅に増大させる。 この課題に対処するために,単一のモデル内で適応的な概念利用を可能にする統一アーキテクチャであるMatryoshka Concept Bottleneck Model (MCBM)を提案する。 MCBMは、Matryoshka Representation Learningに触発されて、最大関連性と最小冗長性に基づいて、概念をネストされた階層に整理し、再訓練することなく、複数の概念的粒度の推論を可能にする。 理論的には、MCBMは単調な性能向上を保証しつつ、線形から対数順への介入コストを$O(\log K)$から$O(\log K)$に削減する。 実証的な実験により、MCBMは独立に訓練されたモデルの性能と一致し、動的かつ効率的な専門家の相互作用を可能にする。

関連論文リスト

• 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)
• Concepts' Information Bottleneck Models [9.435622803973898]
  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層を通じて決定をルーティングすることで解釈可能な予測を提供することを目的としている。 I(C;Y)$でタスク関連情報を保存しながら$I(X;C)$をペナライズする概念層上に、明示的なInformation Bottleneck正規化器を導入し、最小限のコンセプト表現を奨励する。
  論文  参考訳（メタデータ） (2026-02-16T10:33:20Z)
• 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)
• Post-hoc Stochastic Concept Bottleneck Models [18.935442650741]
  概念ボトルネックモデル (Concept Bottleneck Models, CBM) は、高レベルな人間の理解可能な概念を通じて対象変数を予測する解釈可能なモデルである。 バックボーンモデルを再学習することなく,概念上の正規分布で事前学習した任意のCBMを増強する軽量な手法であるポストホック概念ボトルネックモデル(PSCBM)を導入する。 その結果,PSCBMは介入下でのCBMよりも優れた性能を示す一方で,スクラッチから類似モデルを再訓練するよりもはるかに効率的であることがわかった。
  論文  参考訳（メタデータ） (2025-10-09T13:42:54Z)
• Improving Intervention Efficacy via Concept Realignment in Concept Bottleneck Models [57.86303579812877]
  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に基づいて、解釈可能なモデル決定を可能にする画像分類である。 既存のアプローチは、強いパフォーマンスを達成するために、画像ごとに多数の人間の介入を必要とすることが多い。 本稿では,概念関係を利用した学習型概念認識介入モジュールについて紹介する。
  論文  参考訳（メタデータ） (2024-05-02T17:59:01Z)
• Learning to Receive Help: Intervention-Aware Concept Embedding Models [44.1307928713715]
  概念ボトルネックモデル (Concept Bottleneck Models, CBM) は、高レベルの概念セットを使用して予測を構築し、説明することによって、ニューラルネットワークの不透明さに対処する。 近年の研究では、介入効果は概念が介入される順序に大きく依存していることが示されている。 IntCEM(Intervention-Aware Concept Embedding Model)は,テスト時間介入に対するモデルの受容性を改善する新しいCBMアーキテクチャとトレーニングパラダイムである。
  論文  参考訳（メタデータ） (2023-09-29T02:04:24Z)

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。