基于混合概念模型的数据高效神经网络

大多数用于监督机器学习的数据集每个数据点仅包含一个标签。然而，在可获得的信息超出类别标签的情况下，是否有可能更高效地训练模型？我们引入了两种新型模型架构，称为混合概念模型，它们同时使用类别标签和数据集中称为概念的附加信息进行训练。为了全面评估其性能，我们引入了ConceptShapes，一个具有概念标签的开放且灵活的数据集类别。我们证明，混合概念模型在准确率方面优于标准计算机视觉模型和先前提出的概念模型，尤其是在稀疏数据设置中。我们还引入了一种执行对抗性概念攻击的算法，即以不改变基于概念模型的概念预测但改变类别预测的方式扰动图像。这种对抗样本的存在引发了关于概念模型所承诺的可解释性品质的问题。