論文の概要: Caption Bottleneck Models

• arxiv url: http://arxiv.org/abs/2607.00578v1
• Date: Wed, 01 Jul 2026 08:00:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.795578
• Title: Caption Bottleneck Models
• Title（参考訳）: キャプションボトルネックモデル
• Abstract要約: 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層を通して予測をルーティングすることによって、解釈可能性を提供する。 本稿では,厳密な概念層を自由形式自然言語に置き換えることで,事前定義された概念集合の必要性を回避するフレームワークであるCaption Bottleneck Models (CaBM)を提案する。 以上の結果から,CaBMは外部辞書や手動ラベリングの制約を伴わずに,解釈性を保ちながら,競争精度を達成できることが示唆された。
• 参考スコア（独自算出の注目度）: 7.606384988416701
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Concept Bottleneck Models (CBMs) provide interpretability by routing predictions through a layer of human-understandable concepts. However, defining an optimal concept set for a specific dataset remains an open challenge. Existing approaches rely on expensive expert annotations or LLM-generated lists based solely on class names. Even "open-vocabulary" variants typically depend on static concept sets, which restrict discovery and introduce label bias. Furthermore, traditional CBMs often suffer from information leakage, where unmodeled visual features bypass the bottleneck and compromise the integrity of the explanations. To overcome these limitations, we propose Caption Bottleneck Models (CaBM), a framework that circumvents the need for predefined concept sets by replacing rigid concept layers with free-form natural language. By representing images via LMM-generated captions and training a classifier strictly on this text, CaBM ensures a leakage-free architecture by construction. Additionally, by analyzing the text classifier post-training, CaBM autonomously discovers high-quality, dataset-specific concepts. Our results across fine- and coarse-grained benchmarks demonstrate that CaBM achieves competitive accuracy while preserving interpretability without the constraints of external dictionaries or manual labeling.
• Abstract（参考訳）: 概念ボトルネックモデル (Concept Bottleneck Models, CBM) は、人間の理解可能な概念の層を通して予測をルーティングすることによって、解釈可能性を提供する。 しかし、特定のデータセットに対して最適な概念を定義することは、依然としてオープンな課題である。 既存のアプローチは、クラス名のみに基づいた高価な専門家アノテーションやLLM生成リストに依存しています。 開語彙」の変種でさえ、発見を制限しラベルバイアスを導入する静的な概念集合に依存するのが一般的である。 さらに、従来のCBMは情報漏洩に悩まされることが多く、未モデル化の視覚的特徴がボトルネックを回避し、説明の完全性を損なう。 このような制約を克服するため,我々は,厳密な概念層を自由形式自然言語に置き換えることで,事前定義された概念セットの必要性を回避するフレームワークであるCaption Bottleneck Models (CaBM)を提案する。 LMM生成キャプションを介して画像を表現し、このテキストで厳密に分類器を訓練することにより、CaBMは構築による漏洩のないアーキテクチャを保証する。 さらに、トレーニング後のテキスト分類器を分析することで、CaBMは、高品質でデータセット固有の概念を自律的に発見する。 その結果,外部辞書や手動ラベリングの制約を伴わずに解釈性を保ちながら,CaBMが競争精度を達成できることが示唆された。

関連論文リスト

• Weave of Formal Thought [51.56484100374058]
  WoFT(Weave of Formal Thought)は、厳密な構文的検証と学習された構造的表現を結合したパラダイムである。 本稿では,非終端文法記号を直接生成にインターリーブするために,言語モデルを訓練する潜時可変微調整法を提案する。 Pythonでは、RWS目的のStarCoder2-3Bを微調整することで、テキストのみのSFTベースラインと比較して、トーケン毎のクロスエントロピーが14.3%削減される。
  論文  参考訳（メタデータ） (2026-06-24T15:58:11Z)
• REC-CBM: Rubric-Aware Error-Correction Concept Bottleneck Models for Trustworthy Open-Ended Grading [11.935308398286361]
  本稿では,信頼に値するオープンエンドグレーディングのためのルーリック認識型誤り訂正概念ボトルネックモデルREC-CBMを提案する。 それは、最先端のベースラインよりも忠実な概念レベルの推論を生み出します。 全体として、この研究は、教育者が自動決定を検査し、介入し、信頼することを可能にする、実践的で解釈可能なグレーディングソリューションを提供する。
  論文  参考訳（メタデータ） (2026-04-24T00:44:58Z)
• 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)
• 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)
• Concept-Aware Batch Sampling Improves Language-Image Pretraining [78.53540190580189]
  Concept-Aware Batch Smpling (CABS)は、バッチをオンザフライで柔軟に構築する、シンプルで効果的なバッチサンプリングフレームワークである。 CABSはCLIP/SigLIPモデルクラスに有益であり,高性能なモデルが得られることを示す。 全体として、CABSはプロプライエタリなオンラインデータキュレーションアルゴリズムに代わる強力なオープンソースである。
  論文  参考訳（メタデータ） (2025-11-25T18:58:07Z)
• Attribute-formed Class-specific Concept Space: Endowing Language Bottleneck Model with Better Interpretability and Scalability [54.420663939897686]
  本稿では,解釈可能な画像認識を実現するために,Attribute-formed Language Bottleneck Model (ALBM)を提案する。 ALBMは属性形式クラス固有の空間において概念を整理する。 解釈性をさらに向上するため,細粒度属性の視覚的特徴を抽出するVAPL(Visual Attribute Prompt Learning)を提案する。
  論文  参考訳（メタデータ） (2025-03-26T07:59:04Z)
• Towards Achieving Concept Completeness for Textual Concept Bottleneck Models [0.3694429692322631]
  本稿では,小さな言語モデルを用いて,概念ラベルを教師なしで構築する新しいTCBMジェネレータを提案する。 CT-CBMは、完全に概念ベースを作成するために、ボトルネック層において重要かつ識別可能な概念を反復的にターゲットし、追加する。 CT-CBMは、概念ベースと概念検出精度の点で競合相手に対して顕著な結果を得る。
  論文  参考訳（メタデータ） (2025-02-16T12:28:43Z)
• Bayesian Concept Bottleneck Models with LLM Priors [8.895722261818209]
  概念ボトルネックモデル (CBM) は、ホワイトボックスモデルとブラックボックスモデルの間の妥協として提案されており、精度を犠牲にすることなく解釈性を実現することを目的としている。 BC-LLM はベイズフレームワーク内の潜在的無限の概念を反復的に探索し、Large Language Models (LLM) が概念抽出のメカニズムと事前の両方として機能する。
  論文  参考訳（メタデータ） (2024-10-21T01:00:33Z)
• Explain via Any Concept: Concept Bottleneck Model with Open Vocabulary Concepts [8.028021897214238]
  OpenCBMはオープン語彙の概念を持つ最初のCBMである。 ベンチマークデータセットCUB-200-2011の分類精度は,従来のCBMよりも9%向上した。
  論文  参考訳（メタデータ） (2024-08-05T06:42:00Z)
• 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)

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。