arXiv cs.AI· Cl\'ement B\'enard, Manon Arfib, Christophe Labreuche, Victor Qu\'etu·· 3 天前AI 评分20
Hoeffding 概念瓶颈模型（HCBM）：面向俯拍图像的非线性稀疏概念聚合
Hoeffding Concept Bottleneck Models with Applications to Overhead Images
AI 导读
研究者提出 Hoeffding 概念瓶颈模型（HCBM），基于梯度提升树的 Hoeffding 函数分解，对概念分数做非线性、稀疏的聚合，并用素蕴涵式生成紧凑预测。该方法对概念间信息泄漏具有理论鲁棒性，实验中优于稀疏线性 CBM，并可扩展至目标检测，在俯拍图像这一高难度场景下表现良好。
正文 · AI 翻译
摘要：深度学习算法的可解释性对于需要做出高风险决策的计算机视觉应用至关重要。概念瓶颈模型（CBM）近期展现出良好性能，基于高层概念瓶颈，可为分类问题提供可解释且准确的预测。现有 CBM 方法依赖概念分数的线性聚合来计算预测。然而，这种线性方法通常使用大量概念，这削弱了可解释性并容易导致信息泄漏。一般而言，概念与输出 logits 之间的潜在关系并非线性。因此，我们引入 Hoeffding 概念瓶颈模型（HCBM），其基于梯度提升树的 Hoeffding 函数分解，对概念分数进行非线性和稀疏聚合，并使用素蕴涵项生成紧凑预测。HCBM 具有对概念间泄漏鲁棒性的强理论性质，并且如大量实验所示，在实践中优于稀疏线性 CBM。除分类之外，HCBM 还可适配目标检测，我们聚焦于俯视图像这一具有挑战性的场景，以展示 HCBM 在这些设置下的高性能。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；机器学习（stat.ML） |
| 引用为： | arXiv:2606.00082 [cs.LG] |
| （或 arXiv:2606.00082v2 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2606.00082 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Clement Benard [查看电子邮件] [通过 CCSD 代理]
[v1]
2026年5月22日星期五 14:00:30 UTC（3,125 KB）
[v2]
2026年10月12日星期一 09:53:16 UTC（3,128 KB）
来源：arXiv cs.AI · arxiv.org