挖掘深层：学习多层次概念层次结构
机器学习
2026-03-12 v1 人工智能
摘要
虽然以概念为基础的模型通过用人类可理解的概念解释预测来实现可解释性，但它们通常依赖详尽的标注且将概念视为平坦且独立。为规避这一问题，近期研究引入了分层概念嵌入模型（HiCEMs）以显式建模概念关系，并通过概念分割发现子概念，仅使用粗糙标注即可实现。然而，HiCEMs 和概念分割都限制于浅层层次结构。我们通过多层次概念分割（MLCS）克服了这一限制，该方法仅从顶级监督信息中发现多层次概念层次结构；以及 Deep-HiCEMs，一种能够表示这些发现的层次结构并支持多层次抽象干预的架构。跨多个数据集的实验表明，MLCS 发现了训练期间不存在的人类可解释概念，而 Deep-HiCEMs 在保持高准确率的同时，支持在测试时进行概念干预，以提升任务性能。
引用
@article{arxiv.2603.10084,
title = {Digging Deeper: Learning Multi-Level Concept Hierarchies},
author = {Oscar Hill and Mateo Espinosa Zarlenga and Mateja Jamnik},
journal= {arXiv preprint arXiv:2603.10084},
year = {2026}
}
备注
Accepted to the ICLR 2026 Workshop on Principled Design for Trustworthy AI