Hoeffding Concept Bottleneck Models 及其在高空图像中的应用

arXiv cs.LG 论文
concept-bottleneck-models explainable-ai computer-vision overhead-images hoeffding-decomposition gradient-boosted-trees

摘要

介绍了Hoeffding概念瓶颈模型（HCBM），这是一种利用梯度提升树的Hoeffding函数分解对概念分数进行非线性稀疏聚合的方法，旨在提高分类和目标检测任务的可解释性和准确性，并应用于高空图像。

arXiv:2606.00082v1 公告类型：新 摘要：深度学习算法的可解释性对于高风险决策的计算机视觉应用至关重要。概念瓶颈模型（CBM）最近在分类问题上表现出色，能够基于高层概念瓶颈提供可解释且准确的预测。现有的CBM方法依赖于对概念分数的线性聚合来计算预测结果。然而，在这种线性方法中通常使用大量概念，这削弱了可解释性并促进了信息泄露。一般来说，概念与输出logits之间的潜在关系并非线性。因此，我们引入了Hoeffding概念瓶颈模型（HCBM），该模型基于梯度提升树的Hoeffding函数分解，提供概念分数的非线性和稀疏聚合，并使用素蕴含项生成紧凑的预测。大量实验表明，HCBM对概念间泄漏具有鲁棒性，并且在实践中优于标准线性CBM。除了分类任务，HCBM还可以适应目标检测任务，我们重点研究了一个具有挑战性的高空图像案例，以展示HCBM在这些场景中的高性能。
查看原文
查看缓存全文

缓存时间: 2026/06/02 15:39 

# 霍夫丁概念瓶颈模型及其在俯视图像中的应用
来源: https://arxiv.org/abs/2606.00082
查看 PDF (https://arxiv.org/pdf/2606.00082)

> 摘要:深度学习算法的可解释性对于高风险决策的计算机视觉应用至关重要。概念瓶颈模型（CBM）近期在分类问题上展现出良好的性能，能够基于高层概念瓶颈提供可解释且准确的预测。现有CBM方法依赖于对概念分数的线性聚合来计算预测。然而，这种线性方法往往使用大量概念，削弱了可解释性并助长信息泄漏。一般而言，概念与输出对数几率之间的潜在关系并非线性。因此，我们提出霍夫丁概念瓶颈模型（HCBM），该模型基于梯度提升树的霍夫丁泛函分解，提供非线性和稀疏的概念分数聚合，并通过素蕴含生成紧凑的预测。经理论证明，HCBM对概念间泄漏具有鲁棒性，且在实际中优于标准线性CBM，大量实验验证了这一点。除分类任务外，HCBM还可适配目标检测，我们以俯视图像这一具有挑战性的场景为例，展示了HCBM在此类设置中的高性能。

## 提交历史

来自：Clement Benard [查看邮件 (https://arxiv.org/show-email/91d74caa/2606.00082)] [通过CCSD代理] **[v1]** 2026年5月22日星期五 14:00:30 UTC (3,125 KB)

相似文章