CI-CBM：面向可解释持续学习的类增量概念瓶颈模型
机器学习
2026-04-17 v1 计算机视觉与模式识别
摘要
灾难性遗忘是持续学习中的根本挑战，模型在在新任务上微调时常常忘记先前的知识。这一问题在类增量学习 (CIL) 中尤为突出，而 CIL 是持续学习中最具挑战性的设定。现有方法常在模型可解释性与精度之间作出妥协。为此，我们引入类增量概念瓶颈模型 (CI-CBM)，其利用概念正则化和伪概念生成等有效技术，在持续学习阶段维持可解释的决策过程。通过在七个数据集上的广泛评估，CI-CBM 在 CIL 中达到了与黑盒模型相当的性能，并在可解释方法中取得平均 36% 的精度提升。CI-CBM 在单个输入上提供可解释的决策，并展示出可理解的全局决策规则，表明在不牺牲模型性能的前提下，可维护人类可理解的概念。我们的方案在预训练和非预训练场景中均有效；后者指在第一个学习阶段从头训练模型主干。代码已公开于 github.com/importAmir/CI-CBM。
引用
@article{arxiv.2604.14519,
title = {CI-CBM: Class-Incremental Concept Bottleneck Model for Interpretable Continual Learning},
author = {Amirhosein Javadi and Tuomas Oikarinen and Tara Javidi and Tsui-Wei Weng},
journal= {arXiv preprint arXiv:2604.14519},
year = {2026}
}
备注
31 pages, 6 figures. Published in Transactions on Machine Learning Research (TMLR), 04/2026