論文の概要: Residual Stochastic Concept Bottleneck Models

• arxiv url: http://arxiv.org/abs/2610.23421v2
• Date: Mon, 19 Oct 2026 14:31:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 06:32:45.33455
• Title: Residual Stochastic Concept Bottleneck Models
• Title（参考訳）: 残留確率的概念ボトルネックモデル
• Abstract要約: 概念ベースモデル(CM)は、ユーザーがモデルの推論を理解することができる人間解釈可能な中間表現を学習する。 現実的な設定では、それらのパフォーマンスは概念的不完全性によって制限される。 モデルの予測プロセスに制約のない残留経路を追加することは、不完全性の結果を克服することができる。
• 参考スコア（独自算出の注目度）: 33.39146513539695
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Concept-based models (CMs) learn human-interpretable intermediate representations that enable users to understand the model's reasoning and steer its predictions through test-time concept interventions. However, in realistic settings, their performance can be limited by concept incompleteness, where the training concepts fail to capture all task-relevant information. Adding an unconstrained residual pathway to the model's predictive process can overcome the consequences of incompleteness. However, this introduces an inscrutable, leak-prone prediction pathway that may weaken concept interventions, as these often leave residual variables unchanged. To address this limitation, we introduce Residual Stochastic Concept Bottleneck Models (Res-SCBMs), a family of concept-based models that jointly model concept and residual variables through a multivariate Gaussian distribution. Res-SCBMs learn a covariance structure that explicitly captures dependencies between the known concepts and learnt residual variables, allowing interventions to propagate to statistically dependent residual variables through Gaussian conditioning. This extends the intervention capabilities of previous CMs without requiring concept completeness during training. Our results show that, across multiple concept-incomplete benchmarks, Res-SCBMs improve predictive performance over competing baselines while retaining effective test-time concept interventions.
• Abstract（参考訳）: 概念ベースモデル(CM)は、人間が解釈可能な中間表現を学習し、ユーザーはモデルの推論を理解し、テスト時の概念介入を通じてその予測を制御できる。 しかし、現実的な環境では、トレーニングの概念がすべてのタスク関連情報をキャプチャできないという概念の不完全さによってパフォーマンスが制限される可能性がある。 モデルの予測プロセスに制約のない残留経路を追加することは、不完全性の結果を克服することができる。 しかし、これは、残留変数が変化しない場合が多いため、概念介入を弱める可能性のある、調査不可能で漏れやすい予測経路を導入する。 この制限に対処するために、多変量ガウス分布を通して概念と残留変数を連立モデル化する概念ベースモデルのファミリーであるResidual Stochastic Concept Bottleneck Models (Res-SCBMs)を導入する。 Res-SCBMは、既知の概念間の依存関係を明示的にキャプチャし、残留変数を学習する共分散構造を学び、介入はガウス条件により統計的に依存した残留変数に伝播する。 これにより、トレーニング中に概念の完全性を必要とせずに、以前のCMの介入能力が拡張される。 その結果、Res-SCBMは複数の概念不完全ベンチマークにおいて、効率的なテスト時間の概念介入を維持しながら、競合するベースラインよりも予測性能を向上させることがわかった。

関連論文リスト

• ReCBM: Uncertainty-Gated Relational Reasoning for Concept Bottleneck Models [16.64288013782432]
  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。
  論文  参考訳（メタデータ） (2026-08-07T19:59:47Z)
• 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)
• Post-hoc Stochastic Concept Bottleneck Models [18.935442650741]
  概念ボトルネックモデル (Concept Bottleneck Models, CBM) は、高レベルな人間の理解可能な概念を通じて対象変数を予測する解釈可能なモデルである。 バックボーンモデルを再学習することなく,概念上の正規分布で事前学習した任意のCBMを増強する軽量な手法であるポストホック概念ボトルネックモデル(PSCBM)を導入する。 その結果,PSCBMは介入下でのCBMよりも優れた性能を示す一方で,スクラッチから類似モデルを再訓練するよりもはるかに効率的であることがわかった。
  論文  参考訳（メタデータ） (2025-10-09T13:42:54Z)
• 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)
• 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)
• Stochastic Concept Bottleneck Models [8.391254800873599]
  概念ボトルネックモデル(CBM)は、人間の理解可能な概念に基づいて最終的な予測を行う有望な解釈可能な手法として登場した。 本稿では,概念の依存関係をモデル化する新しいアプローチであるConcept Bottleneck Models (SCBM)を提案する。 単一概念の介入はすべての関係する概念に影響を与え、介入の有効性を向上させる。
  論文  参考訳（メタデータ） (2024-06-27T15:38:37Z)
• 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)

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。