SynCB: 基于动态路由的概念-互补神经分支的协同概念模型
计算机视觉与模式识别
2026-05-21 v1
摘要
概念基模型 (CB) 提供可解释性并支持测试时人工干预，而标准神经网络 (NN) 虽在任务性能上表现优异，但透明度有限。先前工作探索了将概念和额外表示形式集成以提高准确性的混合形式，往往以牺牲人工干预为代价。我们引入\emph{协同概念模型 (SynCB)} 框架，将 CB 分支与互补神经分支结合，并通过可训练的路由模块动态选择为每个输入使用哪个分支。不同于先前模型，这些模型融合残差和概念基预测，SynCB 保持两个分支独立，通过路由模块进行协调。此外，两个分支都是联合学习的，允许通过共享的 backbone 在互补神经分支和 CB 分支之间共享信息。为提高对干预的响应性，我们进一步引入测试时干预策略和相应的损失函数。在五个数据集和 CB benchmark 上，SynCB 持续实现更高的任务准确率，同时对人工干预的响应性更好，超越了完整的神经基线最高可提升 3.9 个百分点，超过最强�争者在干预性能上提升最高可达 6.43 个百分点。
引用
@article{arxiv.2605.20908,
title = {SynCB: A Synergy Concept-Based Model with Dynamic Routing Between Concepts and Complementary Neural Branches},
author = {Tores Julie and Sun Rémy and Sassatelli Lucile and Ancarani Elisa and Wu Hui-Yin and Precioso Frédéric},
journal= {arXiv preprint arXiv:2605.20908},
year = {2026}
}