論文の概要: CHOQOLATE: Organizing Concept Bottleneck Latent Spaces with Choquet Integrals

• arxiv url: http://arxiv.org/abs/2609.37786v1
• Date: Tue, 29 Sep 2026 15:18:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.672212
• Title: CHOQOLATE: Organizing Concept Bottleneck Latent Spaces with Choquet Integrals
• Title（参考訳）: CHOQOLATE: チェケットインテグレータによるコンセプトボタネックラテントスペースの組織化
• Abstract要約: CLIPのような視覚言語モデル上に構築された概念ボトルネックモデル(CBM)は、人間の理解可能な概念として潜在空間を表現している。 CHOQOLATEは、2-additive Choquet積分をベースとした解釈可能な設計層であり、相関の概念をコンパクトノードにマージする。 ChoQOLATEは、ウェイトスパースとセマンティックコヒーレントノードを備えた、良好な精度-解釈可能性トレードオフを実現する。
• 参考スコア（独自算出の注目度）: 2.6396638625969184
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Concept Bottleneck Models (CBMs) built on vision-language models such as CLIP represent a latent space as human-understandable concepts. These representations are unfaithful: related concepts are entangled, so individual scores do not reflect their intended meaning. We propose CHOQOLATE, an interpretable-by-design layer based on 2-additive Choquet integrals, which merges correlated concepts into compact nodes. Across four datasets, CHOQOLATE achieves a favorable accuracy-interpretability trade-off, with weight-sparse and semantically coherent nodes. A closed-form gradient derivation, backed by experiments, explains why Choquet layers drive this organization without explicit supervision. Choquet weights also map directly to Shapley values, which enables test-time intervention. On standard bias-mitigation benchmarks, suppressing spurious concepts after training performs on par with methods that require group annotations or retraining, while needing neither.
• Abstract（参考訳）: CLIPのような視覚言語モデル上に構築された概念ボトルネックモデル(CBM)は、人間の理解可能な概念として潜在空間を表現している。 これらの表現は不信であり、関連する概念は絡み合っているので、個々のスコアは意図した意味を反映しない。 CHOQOLATEは、2-additive Choquet積分をベースとした解釈可能な設計層であり、相関の概念をコンパクトノードにマージする。 4つのデータセットにわたって、CHOQOLATEは、重みが疎み、セマンティックコヒーレントなノードを持つ、良好な精度と解釈可能性のトレードオフを達成する。 実験によって裏付けられたクローズドフォームの勾配導出は、なぜChoquet層が明確な監督なしにこの組織を駆動するのかを説明している。 選択重みは、テスト時の介入を可能にするShapley値に直接マップされる。 標準バイアス緩和ベンチマークでは、トレーニング後の急激な概念を、グループアノテーションや再トレーニングを必要とするメソッドと同等に実行し、どちらも必要としない。

関連論文リスト

• Weakly supervised concept Bottleneck Learning for Robust Two stage Object centric visual reasoning [3.6959117433332724]
  2段階のニューロシンボリックアーキテクチャは視覚的問題解決のためのエレガントなパラダイムを提供する。 本稿では,オブジェクト中心のVAEフレームワークであるDynamic Orthogonal Concept Bottleneck (D-OCB)を紹介する。
  論文  参考訳（メタデータ） (2026-08-23T20:39:49Z)
• Concept Flow Models: Anchoring Concept-Based Reasoning with Hierarchical Bottlenecks [4.944427102119257]
  概念ボトルネックモデル (Concept Bottleneck Models, CBM) は、学習した機能を人間の理解可能な概念空間に投影することで、解釈可能性を高める。 最近のアプローチでは、視覚言語モデルを利用して概念埋め込みを生成し、手動の概念アノテーションの必要性を減らす。 本稿では,フラットボトルネックを階層的な概念駆動決定木に置き換える概念フローモデル(CFM)を提案する。
  論文  参考訳（メタデータ） (2026-06-17T18:27:17Z)
• Hyperbolic Concept Bottleneck Models [17.962222104908648]
  概念ボトルネックモデル(CBM)は、人間の理解可能な概念の集合に入力を拘束することで、ニューラルネットワークの解釈可能性を実現するための一般的なアプローチとなっている。 本稿では,ハイパーボリック空間における非対称な幾何学的包摂として概念活性化を再構成することにより,この構造におけるボトルネックを解消するポストホック・フレームワークであるハイパーボリック・コンセプト・ボトルネック・モデル(HypCBM)を提案する。 概念のentailment coneの範囲内でのインクルージョンの限界は、余分な監督や学習モジュールなしで、階層的に認識されたアクティベーションをもたらす。
  論文  参考訳（メタデータ） (2026-05-07T15:41:22Z)
• Explaining CLIP Zero-shot Predictions Through Concepts [54.05282304471016]
  EZPCを導入し,CLIPのゼロショット予測を人間に理解可能な概念で説明する。 本手法は,言語記述から学習した概念空間にCLIPの合同画像テキスト埋め込みを投影する。 提案手法は,CLIPの強いゼロショット分類精度を維持しつつ,意味のある概念レベルの説明を提供する。
  論文  参考訳（メタデータ） (2026-03-30T09:31:33Z)
• 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)
• 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)
• 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)
• ClassDiffusion: More Aligned Personalization Tuning with Explicit Class Guidance [90.57708419344007]
  新しい概念を学ぶ際に, 概念空間を明示的に規制するために, ** 連続保存損失** を利用するテクニックである **ClassDiffusion** を提示する。 このアプローチは単純ではあるが、ターゲット概念の微調整過程における意味的ドリフトを効果的に防止する。
  論文  参考訳（メタデータ） (2024-05-27T17:50:10Z)
• Causal Unsupervised Semantic Segmentation [60.178274138753174]
  教師なしセマンティックセグメンテーションは、人間のラベル付きアノテーションなしで高品質なセマンティックセマンティックセグメンテーションを実現することを目的としている。 本稿では、因果推論からの洞察を活用する新しいフレームワークCAUSE(CAusal Unsupervised Semantic sEgmentation)を提案する。
  論文  参考訳（メタデータ） (2023-10-11T10:54:44Z)
• Concept Bottleneck Model with Additional Unsupervised Concepts [0.5939410304994348]
  概念ボトルネックモデル(CBM)に基づく新しい解釈可能なモデルを提案する。 CBMは概念ラベルを使用して、中間層を追加の可視層としてトレーニングする。 これら2つの概念をシームレスにトレーニングし,計算量を削減することにより,教師付き概念と教師なし概念を同時に得ることができる。
  論文  参考訳（メタデータ） (2022-02-03T08:30:51Z)

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。