論文の概要: ReCBM: Uncertainty-Gated Relational Reasoning for Concept Bottleneck Models
- arxiv url: http://arxiv.org/abs/2608.10004v1
- Date: Fri, 07 Aug 2026 19:59:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:45.751214
- Title: ReCBM: Uncertainty-Gated Relational Reasoning for Concept Bottleneck Models
- Title（参考訳）: ReCBM:概念ボトルネックモデルのための不確実性ゲート付き関係推論
- Abstract要約: 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解釈可能なフレームワークを提供する。
近年の変種は、よりリッチな概念表現、不確実性推定、依存性モデリングを通じてCBMを改善している。
CBMのための不確実性付き関係推論フレームワークであるReCBMを提案する。
- 参考スコア（独自算出の注目度）: 16.64288013782432
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Concept Bottleneck Models (CBMs) provide an interpretable framework by grounding predictions in human-understandable concepts, enabling semantic inspection and test-time intervention. Recent variants have improved CBMs through richer concept representations, uncertainty estimation, and dependency modeling. However, robust reasoning under unreliable concept states remains underexplored. Without such reasoning, misleading semantic evidence can propagate through the bottleneck, compromising both explanations and downstream predictions. To address this issue, we propose ReCBM, an uncertainty-gated relational reasoning framework for CBMs. ReCBM introduces semantically defined concept relations into the bottleneck and uses uncertainty to guide their refinement. By modeling co-occurrence, implication, and exclusion, ReCBM specifies how evidence is exchanged across concepts, while uncertainty modulates the contribution of each concept during this process. Experiments across diverse datasets showed that ReCBM improved concept and task recovery under missing and flipped concepts, supported uncertainty-aware intervention, and extracted compact task-relevant concept subsets without degrading downstream performance.
- 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にして、セマンティックインスペクションとテスト時間介入を可能にする、解釈可能なフレームワークを提供する。
近年の変種は、よりリッチな概念表現、不確実性推定、依存性モデリングを通じてCBMを改善している。
しかし、信頼できない概念の条件下での堅牢な推論はいまだ未定である。
このような推論がなければ、誤解を招くセマンティックエビデンスはボトルネックを通じて伝播し、説明と下流の予測の両方を妥協する。
この問題に対処するため,我々はCBMのための不確実性付き関係推論フレームワークであるReCBMを提案する。
ReCBMは、セマンティックに定義された概念関係をボトルネックに導入し、その洗練を導くために不確実性を利用する。
共起、含意、排除をモデル化することによって、ReCBMは概念間で証拠がどのように交換されるかを定義し、不確実性はこの過程における各概念の寄与を調節する。
さまざまなデータセットを対象とした実験により、ReCBMは、欠落したコンセプトとフリップされたコンセプトの下でのコンセプトとタスクリカバリを改善し、不確実性を認識した介入をサポートし、下流のパフォーマンスを低下させることなく、タスク関連の概念サブセットを抽出した。
関連論文リスト
- Towards Fine-Grained and Verifiable Concept Bottleneck Models [11.236280871580155]
Concept Bottleneck Models (CBM) はブラックボックス予測器の解釈可能な代替手段を提供する。
既存のCBMは、予測された概念が正しい視覚的証拠に対応するかどうかを検証するのに苦労している。
局所的な視覚的エビデンスに各概念を根ざしたきめ細かいCBMフレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-14T00:08:09Z) - 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) - A Geometric Unification of Concept Learning with Concept Cones [58.70836885177496]
解釈可能性の2つの伝統は、並べて進化してきたが、互いに話すことはめったにない:概念ボトルネックモデル(CBM)とスパースオートエンコーダ(SAE)。
両パラダイムが同じ幾何学的構造をインスタンス化することを示す。
CBMは人間の定義した参照ジオメトリを提供するが、SAEは学習した円錐がCBMをどの程度よく近似するか、あるいは包含しているかによって評価することができる。
論文 参考訳（メタデータ） (2025-12-08T09:51:46Z) - There Was Never a Bottleneck in Concept Bottleneck Models [27.888718857850822]
コンセプト・ボトルネック・モデル(CBM)はこの問題を緩和するための有望なアプローチとして登場した。
コンポーネントが概念を予測できるという事実は、その概念に関する情報のみを符号化することを保証しません。
本稿では,最小概念ボトルネックモデル(MCBM)を提案する。このモデルでは,情報ボトルネック(IB)の目的を組み込んで,各表現要素を制約し,対応する概念に関する情報のみを保持する。
論文 参考訳（メタデータ） (2025-06-05T10:50:42Z) - Continuous Evolution Pool: Taming Recurring Concept Drift in Online Time Series Forecasting [58.448663215248565]
継続的進化プール(Continuous Evolution Pool, CEP)は、異なる概念の予測器のインスタンスを格納するプール機構である。
CEPは、様々な概念の知識を効果的に保持する。
オンライン予測と繰り返し概念のシナリオでは,CEPは予測結果を著しく向上させる。
論文 参考訳（メタデータ） (2025-05-28T03:27:49Z) - Towards Robust and Reliable Concept Representations: Reliability-Enhanced Concept Embedding Model [22.865870813626316]
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を意思決定の中間体として予測することにより、解釈可能性を高めることを目的としている。
概念に関係のない特徴に対する感受性と、異なるサンプルの同じ概念に対する意味的一貫性の欠如である。
本稿では,Reliability-Enhanced Concept Embedding Model (RECEM) を提案する。Reliability-Enhanced Concept Embedding Model (RECEM) は2つの戦略を導入する。
論文 参考訳（メタデータ） (2025-02-03T09:29:39Z) - MulCPred: Learning Multi-modal Concepts for Explainable Pedestrian Action Prediction [57.483718822429346]
MulCPredは、トレーニングサンプルで表されるマルチモーダルな概念に基づいて、その予測を説明する。
MulCPredは複数のデータセットとタスクで評価される。
論文 参考訳（メタデータ） (2024-09-14T14:15:28Z) - 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) - On the Concept Trustworthiness in Concept Bottleneck Models [39.928868605678744]
概念ボトルネックモデル (Concept Bottleneck Models, CBM) は、推論プロセスを、概念マッピングと概念ラベル予測に分解する。
概念からラベルへの予測の透明性にもかかわらず、入力から中間概念へのマッピングはブラックボックスのままである。
概念が関連する領域から導出されているかどうかを評価するために、概念信頼性スコアと呼ばれる先駆的な指標が提案されている。
拡張されたCBMを導入し、特徴マップの異なる部分から概念予測を具体的に行えるようにした。
論文 参考訳（メタデータ） (2024-03-21T12:24:53Z) - Do Concept Bottleneck Models Respect Localities? [14.77558378567965]
概念に基づく説明可能性法は、人間の理解可能な仲介者を用いて機械学習モデルの説明を生成する。
我々は、概念予測者が「関連」機能を利用して予測を行うかどうかを評価する。
概念予測器は必ずしも明確な概念を区別できないため、実際には多くの概念ベースモデルは局所性を尊重しない。
論文 参考訳（メタデータ） (2024-01-02T16:05:23Z)
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。