Aug, 2023

视觉概念过滤下的概念瓶颈用于可解释的医学图像分类

PDF
TL;DR解读性是构建可靠模型的关键因素，通过利用人类可理解的概念作为中间目标，概念瓶颈模型（CBMs）实现了可解释的图像分类。我们提出了一种可视化激活评分，用于衡量概念是否包含视觉线索，通过利用未标记的图像数据简单计算，该评分用于筛选出含有视觉含义的重要概念，并在实验中验证了该方法的有效性。
interpretabilityconcept bottleneck modelslarge language modelsvisual activation scoreconcept filtering
发现论文，激发创造
  • 瓶颈模型中的跨模式概念化

    通过跨模态学习方法，我们在训练中使用文本描述来指导概念的引入，以产生可解释的概念，提高模型的健壮性。

    Oct, 2023

  • 具有额外无监督概念的概念瓶颈模型

    本文提出了一种基于概念瓶颈模型的新型可解释模型，集成了监督和无监督概念，减少了计算量，同时取得了比 CBM 和 SENN 更优异的实验效果，并可视化每个概念的显著性图，符合语义意义。

    Feb, 2022

  • 在视觉语言概念瓶颈模型中改善概念对齐

    通过专家定义的概念而不是语言模型生成的概念构建可靠的 Concept Bottleneck Models（CBM），提出了一种使用少量标注的概念示例改善模型概念对齐的对比半监督学习方法，实验证明该方法显著提高了概念准确度和分类准确度。

    May, 2024

  • 无标记概念瓶颈模型

    提出了一种新的框架 Label-free CBM，能够将任何神经网络转换成可解释的 CBM，而无需标记的概念数据，且准确性高，并成功地将其扩展到 ImageNet 数据集上，整个创建过程只需要几个小时，未来能在实际的实际场景中大规模应用。

    Apr, 2023

  • 我们能约束概念瓶颈模型学习语义有意义的输入特征吗？

    概念瓶颈模型是一种具有内在可解释性的模型，本文研究了如何通过细粒度概念注释的数据集学习概念，并通过移除问题概念相关性来实现概念与输入特征之间的语义映射，通过引入基于纸牌领域的合成图像数据集作为未来研究的基准，以及在胸部 X 光数据集上的实证研究来验证概念在实际应用中的可学习性。

    Feb, 2024

  • SurroCBM: 生成后处理解释的概念瓶颈替代模型

    本文介绍了 Concept Bottleneck Surrogate Models (SurroCBM) 的新颖框架，旨在通过自动发现的概念来解释黑盒模型。通过自动生成的数据提供了有效的训练策略，不断提高解释质量，并通过广泛实验证明了 SurroCBM 在概念发现和解释方面的有效性，突显了其在可解释 AI 领域的潜力。

    Oct, 2023

  • 稀疏线性概念发现模型

    通过对比性语言图像模型和单一稀疏线性层，我们提出了一个简单而直观的可解释框架，通过基于贝叶斯推理的数据驱动伯努利分布来实现框架中的稀疏性，相比相关方法，在准确性和每个样本概念稀疏性方面均表现出色，为新概念的个体研究提供便利。

    Aug, 2023

  • 通过嵌入逼近实现概念学习以加强可解释性与透明度

    通过嵌入逼近进行概念学习的概念瓶颈模型（CBM）框架，用于构建图像分类的 CBM，优化决策过程，提供更全面的解释能力，并通过实验证明其在各类基准中的的最新性能。

    Jun, 2024

  • 通过概念瓶颈模型实现强大且可解释的医学图像分类器

    通过使用自然语言概念，我们提出了一种建立强大而可解释的医学图像分类器的新范式，有效地解决了深度学习模型在医疗行业应用中学习虚假相关性而不是期望特征以及缺乏可解释性的问题。

    Oct, 2023

  • 增量残差概念瓶颈模型

    我们提出了递增残差概念瓶颈模型（Res-CBM），以解决概念完整性的挑战。通过优化向量来完成缺失的概念，并将不明确含义的补充向量转化为候选概念库中的潜在概念，以增强任何 CBM 的性能。实验结果表明，Res-CBM 在准确性和效率方面优于当前最先进的方法，并在多个数据集上实现了与黑盒模型相当的性能。

    Apr, 2024