論文の概要: Hoeffding Concept Bottleneck Models with Applications to Overhead Images

• arxiv url: http://arxiv.org/abs/2606.00082v1
• Date: Fri, 22 May 2026 14:00:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-07 20:42:22.55234
• Title: Hoeffding Concept Bottleneck Models with Applications to Overhead Images
• Title（参考訳）: 画像上へのHoeffdingコンセプトボトルネックモデルの適用
• Authors: Clément Bénard, Manon Arfib, Christophe Labreuche, Victor Quétu,
• Abstract要約: 概念ボトルネックモデル(CBM)は、最近、分類問題に対して説明可能かつ正確な予測を提供するために有望な性能を示した。 本稿では,Hueffding Concept Bottleneck Models (HCBM)を紹介する。 HCBMはインターコンセプションリークに対して堅牢であることが証明され、実際は標準線形CBMよりも優れていた。
• 参考スコア（独自算出の注目度）: 5.901614785819979
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Explainability of deep learning algorithms is critical for computer-vision applications with high-stake decisions. Concept bottleneck models (CBM) have recently shown promising performance to provide explainable and accurate predictions for classification problems, based on a bottleneck of high-level concepts. Existing CBM methods rely on a linear aggregation of the concept scores to compute predictions. However, a large number of concepts is often used in this linear approach, which undermines explainability and favors information leakage. In general, the underlying relation between concepts and output logits is not linear. Therefore, we introduce Hoeffding Concept Bottleneck Models (HCBM), which build on the Hoeffding functional decomposition of gradient-boosted trees to provide non-linear and sparse aggregations of concept scores, and generate compact predictions using prime implicants. HCBM are proved to be robust to interconcept leakage, and outperform standard linear CBM in practice, as shown in extensive experiments. Beyond classification, HCBM can be adapted to object detection, and we focus on a challenging case with overhead images to show the high performance of HCBM in these settings.
• Abstract（参考訳）: ディープラーニングアルゴリズムの説明可能性は、高い判断力を持つコンピュータビジョンアプリケーションにとって重要である。 概念ボトルネックモデル(CBM)は、最近、高レベルの概念のボトルネックに基づいて、分類問題に対して説明可能かつ正確な予測を提供する、有望な性能を示した。 既存のCBM法は、予測を計算するために概念スコアの線形集約に依存している。 しかし、この線形アプローチでは多くの概念が使われており、説明可能性の損なわれ、情報漏洩が好まれる。 一般に、概念と出力ロジットの関係は線形ではない。 そこで我々は,Hueffding Concept Bottleneck Models (HCBM)を導入し,Hueffding Functional decomposition of gradient-boosted Tree を用いて,概念スコアの非線形およびスパースアグリゲーションを提供し,素命令を用いたコンパクトな予測を生成する。 HCBMは、広範囲な実験で示されているように、インターコンセプションリークに対して堅牢であり、実際は標準線形CBMよりも優れていることが証明されている。 分類以外にも、HCBMはオブジェクト検出に適応可能であり、これらの設定におけるHCBMの性能を示すために、オーバーヘッド画像を用いた挑戦的なケースに焦点を当てる。

関連論文リスト

• Concepts Worth Having: Refining VLM-Guided Concept Bottleneck Models with Minimal Annotations [21.060815865649477]
  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。
  論文  参考訳（メタデータ） (2026-05-13T10:07:11Z)
• Probabilistic Concept Graph Reasoning for Multimodal Misinformation Detection [50.08054676999716]
  確率論的概念グラフ推論(PCGR)は,マルチモーダルな誤情報検出を構造化および概念ベース推論として再構成する,解釈可能かつ進化可能なフレームワークである。 PCGRは、最先端のMDD精度と、新たな操作タイプに対する堅牢性を達成し、粗い検出ときめ細かい操作認識の両方において、先行手法より優れている。
  論文  参考訳（メタデータ） (2026-03-26T09:08:31Z)
• 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)
• Towards more holistic interpretability: A lightweight disentangled Concept Bottleneck Model [5.700536552863068]
  概念ボトルネックモデル(CBM)は、人間の理解可能な概念を中間表現として予測することにより、解釈可能性を高める。 本稿では,視覚的特徴を意味論的に意味のある構成要素に自動的に分類する軽量なDECBMを提案する。 3つの多様なデータセットの実験により、LCDBMはより高い概念とクラス精度を達成し、解釈可能性と分類性能の両方において従来のCBMよりも優れていたことが示されている。
  論文  参考訳（メタデータ） (2025-10-17T15:59:30Z)
• Interpretable Hierarchical Concept Reasoning through Attention-Guided Graph Learning [8.464865102100925]
  本稿では,階層型概念記憶共振器(H-CMR)を提案する。 H-CMRは最先端のパフォーマンスと一致し、概念やモデルの介入を通じて強い人間との相互作用を可能にする。
  論文  参考訳（メタデータ） (2025-06-26T08:56:55Z)
• Interpretable Few-Shot Image Classification via Prototypical Concept-Guided Mixture of LoRA Experts [79.18608192761512]
  自己説明可能なモデル(SEM)は、視覚認識プロセスをより解釈可能なものにするために、プロトタイプ概念学習(PCL)に依存している。 パラメトリック不均衡と表現の不整合という2つの重要な課題を緩和するFew-Shotプロトタイプ概念分類フレームワークを提案する。 我々のアプローチは、既存のSEMを顕著な差で常に上回っており、5-way 5-shot分類では4.2%-8.7%の相対的な利得がある。
  論文  参考訳（メタデータ） (2025-06-05T06:39:43Z)
• Discover-then-Name: Task-Agnostic Concept Bottlenecks via Automated Concept Discovery [52.498055901649025]
  ディープニューラルネットワークの「ブラックボックス」問題に対処するために、概念ボトルネックモデル(CBM)が提案されている。 本稿では,典型的なパラダイムを逆転させる新しいCBMアプローチであるDiscover-then-Name-CBM(DN-CBM)を提案する。 我々の概念抽出戦略は、下流のタスクに非依存であり、既にそのモデルに知られている概念を使用するため、効率的である。
  論文  参考訳（メタデータ） (2024-07-19T17:50:11Z)
• Sparse Linear Concept Discovery Models [11.138948381367133]
  概念ボトルネックモデル(Concept Bottleneck Models, CBM)は、隠蔽層が人間の理解可能な概念に結びついている一般的なアプローチである。 本稿では,Contrastive Language Imageモデルと単一スパース線形層に基づく,シンプルかつ直感的に解釈可能なフレームワークを提案する。 実験により、我々のフレームワークは、最近のCBMアプローチを精度的に上回るだけでなく、一例あたりの疎度も高いことを示す。
  論文  参考訳（メタデータ） (2023-08-21T15:16:19Z)

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。