标签
ReCBM 提出了一种面向概念瓶颈模型的不确定性门控关系推理框架，引入共现、蕴含和排斥等概念关系，以恢复不可靠或缺失的概念状态，并提升可解释性和下游预测性能。
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。
本文提出CLIF，一种利用影响函数在概念瓶颈模型中对NLP模型进行样本级和概念级解释的方法，实现了透明的调试和概念级分析。
本文提出了一种细粒度的Concept Bottleneck Model框架，将每个概念锚定在局部视觉证据上，从而能够直接验证概念的正确性，并提高医学成像任务的透明度。