論文の概要: SynCB: A Synergy Concept-Based Model with Dynamic Routing Between Concepts and Complementary Neural Branches

• arxiv url: http://arxiv.org/abs/2605.20908v1
• Date: Wed, 20 May 2026 08:54:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.579687
• Title: SynCB: A Synergy Concept-Based Model with Dynamic Routing Between Concepts and Complementary Neural Branches
• Title（参考訳）: SynCB: 概念と補完的神経枝を動的にルーティングする概念ベースモデル
• Authors: Tores Julie, Sun Rémy, Sassatelli Lucile, Ancarani Elisa, Wu Hui-Yin, Precioso Frédéric,
• Abstract要約: 概念ベース(CB)モデルは、解釈可能性を提供し、テスト時の人間の介入をサポートする。 標準ニューラルネットワーク(NN)は、強いタスクパフォーマンスを提供するが、透明性は低い。 本稿では、CBブランチと補完神経ブランチを組み合わせたemphSynergy Concept-Based Model(SynCB)フレームワークを紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Concept-based (CB) models provide interpretability and support test-time human intervention, while standard neural networks (NN) offer strong task performance but little transparency. Prior work has explored hybrid formulations that integrate concepts and additional representations to improve accuracy, often at the cost of human interventions. We introduce the \emph{Synergy Concept-Based Model (SynCB)} framework, that combines a CB branch with a complementary neural branch, and a trainable routing module that dynamically selects which branch to use for each input. Unlike prior models, which fuse residual and concept-based predictions, SynCB keeps the two branches distinct and coordinates them through the routing module. Moreover, both branches are learned jointly, allowing information sharing between the complementary neural branch and CB branches through their common backbone. To improve responsiveness to interventions, we further introduce a test-time intervention policy and a corresponding loss. Across five datasets and CB benchmarks, SynCB consistently achieves higher task accuracy while remaining more responsive to human interventions, surpassing the full neural baseline by up to 3.9 percentage points and exceeding the strongest competitor in intervention performance by up to 6.43 percentage points.
• Abstract（参考訳）: コンセプトベース(CB)モデルは解釈可能性を提供し、テスト時の人間の介入をサポートする。 以前の研究は、しばしば人間の介入のコストで、正確性を改善するために概念と追加表現を統合するハイブリッドな定式化を探求してきた。 本稿では,CBブランチと補完神経分岐を結合した 'emph{Synergy Concept-Based Model (SynCB)} フレームワークと,各入力に使用するブランチを動的に選択するトレーニング可能なルーティングモジュールを紹介する。 残差と概念に基づく予測を融合する以前のモデルとは異なり、SynCBは2つのブランチを区別し、ルーティングモジュールを通じて調整する。 さらに、両枝は共同で学習され、補完神経枝とCB枝間の情報共有が共通のバックボーンを介して可能である。 介入に対する応答性を改善するために,テストタイム介入ポリシーとそれに対応する損失を導入する。 5つのデータセットとCBベンチマークで、SynCBは、人間の介入に反応し、完全な神経ベースラインを最大3.9ポイント越え、介入パフォーマンスで最強の競合相手を最大6.43ポイント上回る高いタスク精度を一貫して達成している。

関連論文リスト

• UniBCI: Towards a Unified Pretrained Model for Invasive Brain-Computer Interfaces [7.71021447675552]
  既存のアプローチでは、限られたスケールの異種データ、クロスドメインの分散シフト、トレーニング可能なニューラルネットワークの削減など、重要な課題に直面している。 本研究では、侵襲的脳インターフェイスのための統合された事前学習モデルを提案する。 結果は、UniBCIが汎用神経基盤モデルへの実践的なステップを提供することを示唆している。
  論文  参考訳（メタデータ） (2026-04-30T06:30:24Z)
• STARec: An Efficient Agent Framework for Recommender Systems via Autonomous Deliberate Reasoning [54.28691219536054]
  我々は、自律的な熟考的推論機能を備えたレコメンデータシステムを支援する、ゆっくり考えられた拡張エージェントフレームワークSTARecを紹介する。 我々は,先進的推論モデルと嗜好整合型報酬形成から構造化知識の蒸留を組み合わせた2段階のパラダイムであるアンカー強化訓練を開発する。 MovieLens 1MとAmazon CDsベンチマークの実験では、STARecは最先端のベースラインと比較して、大幅なパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2025-08-26T08:47:58Z)
• Interactive Autonomous Navigation with Internal State Inference and Interactivity Estimation [58.21683603243387]
  本稿では,関係時間的推論を伴う3つの補助的タスクを提案し,それらを標準のディープラーニングフレームワークに統合する。 これらの補助的なタスクは、他の対話的エージェントの行動パターンを推測するための追加の監視信号を提供する。 提案手法は,標準評価指標の観点から,頑健かつ最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-11-27T18:57:42Z)
• Improving Neural Additive Models with Bayesian Principles [54.29602161803093]
  ニューラル加算モデル(NAM)は、個別の加算サブネットワークでキャリブレーションされた入力特徴を扱うことにより、ディープニューラルネットワークの透明性を高める。 本研究では,Laplace-approximated NAM (LA-NAMs) を開発した。
  論文  参考訳（メタデータ） (2023-05-26T13:19:15Z)

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。