論文の概要: Low-cost concept-based localized explanations: How far can we get with training-free approaches?

• arxiv url: http://arxiv.org/abs/2606.29069v1
• Date: Sat, 27 Jun 2026 20:12:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.778048
• Title: Low-cost concept-based localized explanations: How far can we get with training-free approaches?
• Title（参考訳）: ローコストなコンセプトベースのローカライズド説明: トレーニングなしのアプローチで、どこまで到達できるでしょうか?
• Abstract要約: 概念に基づく説明可能なAI(C-XAI)は、意味論的概念に基づく人間の理解可能な説明を求める。 我々は,中規模マルチモーダル大言語モデル(MLLM)が厳密なゼロショット条件下でローカライズされた概念命名を行うことができるかどうかを評価する。
• 参考スコア（独自算出の注目度）: 0.668475245147664
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Concept-based Explainable AI (C-XAI) seeks human-understandable explanations grounded in semantic concepts, yet validation is limited by the scarcity of fine-grained concept annotations. We evaluate whether mid-scale Multimodal Large Language Models (MLLMs) can perform localized concept naming under strict zero-shot conditions by assigning labels to bounding-box regions at both object and part levels. We propose a reproducible zero-shot evaluation protocol for Concept Naming (CoNa) with (i) closed-set, category-constrained prompting for moderate vocabularies and (ii) Open-CoNa, an embedding-similarity-based strategy for large label spaces. Experiments with four MLLMs (7B-32B) show consistent performance trends across datasets, reaching 62%-88% object-level exact-match accuracy, highlighting the potential of training-free concept annotation from localized regions. We discuss limitations and failure modes and release a reproducible framework to support future low-cost C-XAI research.
• Abstract（参考訳）: 概念ベースの説明可能なAI(C-XAI)は、セマンティックな概念に基づく人間の理解可能な説明を求めるが、詳細な概念アノテーションの不足によって検証が制限される。 我々は,中規模マルチモーダル大言語モデル (MLLM) が厳密なゼロショット条件下でローカライズされた概念命名を行うことができるかどうかを,ラベルをオブジェクトレベルと部分レベルのバウンディングボックス領域に割り当てることにより評価する。 本稿では,Concept Naming (CoNa) のための再現可能なゼロショット評価プロトコルを提案する。 (i)中等語彙のクローズドセット、カテゴリー制約プロンプト (II) Open-CoNa – 大きなラベル空間に対する埋め込み類似性に基づく戦略。 4つのMLLM(7B-32B)による実験では、データセット間の一貫性のあるパフォーマンストレンドが示され、オブジェクトレベルの正確なマッチ精度が62%-88%に達し、ローカライズされたリージョンからのトレーニング不要の概念アノテーションの可能性を強調した。 我々は、制約と障害モードについて議論し、将来の低コストC-XAI研究を支援する再現可能なフレームワークをリリースする。

関連論文リスト

• Concept-Constrained Prompt Learning for Few-Shot CLIP Adaptation [6.76303804822749]
  Concept-Constrained Prompt Learning (CCPL)は、学習可能なクラスプロンプトをフリーズしたコンセプトレベルのテキストプロトタイプにアンカーする軽量な正規化フレームワークである。 CCPLは共有コンテキストトークンの集合を学習し、クラス名を追加することでクラスプロンプトをインスタンス化し、クラスレベルのコンセプトバンクからフリーズされたコンセプトプロトタイプを構築する。
  論文  参考訳（メタデータ） (2026-06-21T16:09:32Z)
• Hierarchical, Interpretable, Label-Free Concept Bottleneck Model [26.8734811438552]
  CBMは、人間の理解可能な概念を通じてラベルを予測することによって、ブラックボックスのディープラーニングモデルに解釈可能性を導入している。 HIL-CBMは,人間の認知過程をより深く反映し,解釈可能性を高める階層的な枠組みである。 HIL-CBMは概念に基づく説明の抽象レベルとモデル予測の抽象レベルを一致させ、抽象から具体的へと進化させる。
  論文  参考訳（メタデータ） (2026-04-02T19:02:59Z)
• Beyond Heuristic Prompting: A Concept-Guided Bayesian Framework for Zero-Shot Image Recognition [81.2779530670268]
  VLM(Vision-Language Models)は、ゼロショット画像認識を著しく進歩させたモデルである。 本稿では、クラス固有の概念を取り入れることで、プロンプトを強化する。 我々の手法は一貫して最先端の手法より優れている。
  論文  参考訳（メタデータ） (2026-03-09T03:11:11Z)
• Hierarchical Concept-based Interpretable Models [23.16720677779406]
  概念埋め込みモデル(CEM)は、入力を人間の解釈可能な概念表現にマッピングし、タスクを予測できる。 しかし、CEMは概念間の関係を表現できず、トレーニング中に異なる粒度で概念アノテーションを必要とする。 階層的概念埋め込みモデル(HiCEM)は,階層的構造を通じて概念関係を明示的にモデル化するCEMの新しいファミリーである。
  論文  参考訳（メタデータ） (2026-02-27T11:49:56Z)
• Analyzing Latent Concepts in Code Language Models [10.214183897113118]
  グローバルなポストホック解釈可能性フレームワークであるコード概念分析(CoCoA)を提案する。 CoCoAは、コード言語モデルの表現空間における創発的語彙、構文、意味構造を明らかにする。 本稿では,静的解析ツールをベースとした構文アライメントと,プロンプトエンジニアリングによる大規模言語モデルを組み合わせたハイブリッドアノテーションパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-10-01T03:53:21Z)
• 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)
• Soft Thinking: Unlocking the Reasoning Potential of LLMs in Continuous Concept Space [62.54887038032942]
  ソフトシンキング(Soft Thinking)は、ソフトで抽象的な概念トークンを生成することによって、人間のような「ソフト」推論をエミュレートする訓練不要な手法である。 これらの概念トークンは、連続的な概念空間を形成するトークン埋め込みの確率重み付き混合によって生成される。 本質的に、生成された概念トークンは関連する離散トークンから複数の意味をカプセル化し、暗黙的に様々な推論経路を探索する。
  論文  参考訳（メタデータ） (2025-05-21T17:29:15Z)
• Zero-shot Concept Bottleneck Models [17.70684428339905]
  概念ボトルネックモデル(CBM)は本質的に解釈可能で、解釈可能なニューラルネットワークモデルである。 ニューラルネットワークを訓練することなく,概念やラベルをゼロショットで予測するテクスツケロ・ショット・コンセプト・ボトルネック・モデル(Z-CBM)を提案する。
  論文  参考訳（メタデータ） (2025-02-13T07:11:07Z)
• 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)
• Rewrite Caption Semantics: Bridging Semantic Gaps for Language-Supervised Semantic Segmentation [100.81837601210597]
  本研究では,事前学習データにおける視覚的意味論とテキスト的意味論のギャップを埋めるための概念キュレーション(CoCu)を提案する。 CoCuは、最高にゼロショット転送性能を達成し、言語教師ありセグメンテーションベースラインを大きなマージンで大幅に向上させる。
  論文  参考訳（メタデータ） (2023-09-24T00:05:39Z)
• DetCLIP: Dictionary-Enriched Visual-Concept Paralleled Pre-training for Open-world Detection [118.36746273425354]
  本稿では,デザインされた概念辞書から知識の豊かさを生かして,オープンワールド検出のための並列視覚概念事前学習手法を提案する。 概念をそれらの記述で豊かにすることにより、オープンドメイン学習を促進するために、さまざまな概念間の関係を明確に構築する。 提案フレームワークは、例えばLVISデータセット上で、強力なゼロショット検出性能を示し、私たちのDetCLIP-TはGLIP-Tを9.9%向上させ、レアカテゴリで13.5%改善した。
  論文  参考訳（メタデータ） (2022-09-20T02:01:01Z)

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。