研究人员引入了图概念瓶颈模型（GraphCBMs）来解决现有概念瓶颈模型（CBMs）的局限性。传统的CBMs假设概念是独立的，忽略了它们固有的相关性。GraphCBMs集成了潜在概念图来捕捉这些关系，增强了模型的可解释性和性能。在图像分类任务上的实验表明，GraphCBMs提供了更优越的结果，并实现了更有效的基于概念的干预。 AI
影响 通过对概念关系进行建模，引入了一种提高深度学习模型可解释性和性能的新方法。
排序理由 这是一篇介绍概念瓶颈模型新变体的研究论文。
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
arXiv:2508.14255v2 Announce Type: replace Abstract: Concept Bottleneck Models (CBMs) provide explicit interpretations for deep neural networks through concepts and allow intervention with concepts to adjust final predictions. Existing CBMs assume concepts are conditionally indepe…