論文の概要: AnyBottle: A Recipe to Only Keep the Concepts You Really Need

• arxiv url: http://arxiv.org/abs/2610.08552v1
• Date: Tue, 06 Oct 2026 15:40:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:30.087013
• Title: AnyBottle: A Recipe to Only Keep the Concepts You Really Need
• Title（参考訳）: AnyBottle:本当に必要なコンセプトだけを守るためのレシピ
• Abstract要約: 概念ボトルネックモデル(CBM)は、人間の解釈可能な概念をルーティングすることで、予測を検査し、介入可能にする。 我々は、コンパクトでタスク固有のCBMを構築するための単一のレシピであるAnyBottleを提案する。
• 参考スコア（独自算出の注目度）: 50.82740951457749
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Concept bottleneck models (CBMs) make predictions inspectable and intervenable by routing them through human-interpretable concepts, but originally required concept annotations. Annotation-free variants remove this requirement, but typically use large concept vocabularies, static at both training and inference, producing bottlenecks larger than any task or prediction needs and harder to inspect. We propose AnyBottle, a single recipe for building compact, task-specific CBMs. AnyBottle assumes only a frozen backbone and an unsupervised concept pool, such as a sparse autoencoder. A black-box teacher trained on the same backbone then guides selection: each round adds the concept that best explains the bottleneck's current failures, with candidates restricted to regions of teacher/student disagreement. Trained with nested dropout over this selection order, the final bottleneck predicts accurately from any concept prefix, so inference spends fewer concepts on inputs it is confident about early and more on hard ones. Since no stage is modality-specific, a new domain and task requires swapping only the backbone and concept pool. Across six vision and two text datasets and two teacher paradigms, AnyBottle yields bottlenecks with fewer concepts and higher concept consistency than annotation-free baselines, while staying close to the black-box reference. Overall, AnyBottle shows that going annotation-free need not mean going large: a small, discovered vocabulary can be as expressive as a much larger, fixed one.
• Abstract（参考訳）: 概念ボトルネックモデル(CBM)は、人間の解釈可能な概念をルーティングすることで予測を検査可能かつ介入可能としますが、元々は概念アノテーションが必要でした。 アノテーションのない変種は、この要件を排除しますが、通常、トレーニングと推論の両方で静的な大きな概念語彙を使用します。 我々は、コンパクトでタスク固有のCBMを構築するための単一のレシピであるAnyBottleを提案する。 AnyBottleは、凍結したバックボーンとスパースオートエンコーダのような教師なしの概念プールのみを前提としている。 同じバックボーンでトレーニングされたブラックボックスの教師が選択をガイドし、各ラウンドはボトルネックの現在の失敗を最もよく説明する概念を追加します。 この選択順序に対してネストしたドロップアウトでトレーニングされた最後のボトルネックは、任意の概念プレフィックスから正確に予測されるため、推論は、ハードなものに対して、より早く、より自信のある入力に、より少ない概念を費やす。 ステージはモダリティ固有のものではないため、新しいドメインとタスクはバックボーンとコンセプトプールのみをスワップする必要がある。 6つのビジョンと2つのテキストデータセット、2つの教師パラダイムにまたがって、AnyBottleはブラックボックス参照に近づきながら、より少ない概念と、アノテーションのないベースラインよりも高い概念一貫性でボトルネックを発生させる。 全体として、AnyBottleは、アノテーションなしの行は、大きくなることを意味する必要はないことを示している: 小さい、発見された語彙は、ずっと大きく、固定されたものと同じくらい表現力がある。

関連論文リスト

• CHOQOLATE: Organizing Concept Bottleneck Latent Spaces with Choquet Integrals [2.6396638625969184]
  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。
  論文  参考訳（メタデータ） (2026-09-29T15:18:04Z)
• Caption Bottleneck Models [7.606384988416701]
  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。
  論文  参考訳（メタデータ） (2026-07-01T08:00:48Z)
• Exploring Concept Subspace for Self-explainable Text-Attributed Graph Learning [10.84756768352255]
  我々は、自己説明可能なテキスト分散グラフ学習のための新しいパラダイムとして、Graph Concept Bottleneck (GCB)を紹介した。 GCBはグラフを、各概念が意味のあるフレーズである部分空間、概念ボトルネックにマッピングする。 我々は,GCBがブラックボックスグラフニューラルネットワークと同等の精度で本質的な解釈性を実現することを実証的に示す。
  論文  参考訳（メタデータ） (2026-04-13T19:26:36Z)
• 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)
• 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)
• Explanation Bottleneck Models [11.08030214425616]
  本稿では、説明ボトルネックモデル(XBM)と呼ばれる、解釈可能な新しいディープニューラルネットワークを提案する。 XBMは事前に定義された概念を含まない入力からテキスト説明を生成し、最終的なタスク予測を予測する。 最先端のコンセプトボトルネックモデルとの比較を含む実験では、XBMが正確で流動的な自然言語の説明を提供することを確認した。
  論文  参考訳（メタデータ） (2024-09-26T09:21:48Z)
• 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)
• 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)
• Sparse Concept Bottleneck Models: Gumbel Tricks in Contrastive Learning [86.15009879251386]
  概念ボトルネックモデル(CBM)を用いた新しいアーキテクチャと説明可能な分類法を提案する。 CBMには、さらなる概念のセットが必要である。 CLIPをベースとしたボトルネックモデルにおいて,スパース隠れ層を用いた精度の大幅な向上を示す。
  論文  参考訳（メタデータ） (2024-04-04T09:43:43Z)

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。