概念树：非平稳临床环境中可解释的持续学习方法
机器学习
2026-04-21 v1
摘要
持续学习旨在在分布迁移的情况下更新模型而不忘记先前知识，但许多高风险应用（如医疗保健）也需要可解释性。实际情况下，能够适应良好的模型（如深度网络）往往是黑箱的，而可解释的模型（如决策树）在分布迁移下脆弱，使得同时实现这两种属性变得困难。为此，我们提出概念树（Tree of Concepts），一种可解释的持续学习框架，使用浅层决策树定义固定的、基于规则的概念界面，并训练概念瓶颈模型从原始特征预测这些概念。持续更新作用于概念提取器和标签头，而保持概念语义随时间稳定，从而在顺序更新后仍能提供解释。在多个表格化医基准测试上，我们的方法在稳定性-塑性权衡方面优于现有基线，包括增强回放的变体。我们的结果表明，结构化的概念界面可以支持持续适应，同时在非平稳、高风险领域中保持一致的审计界面。
引用
@article{arxiv.2604.17089,
title = {Tree of Concepts: Interpretable Continual Learners in Non-Stationary Clinical Domains},
author = {Dongkyu Cho and Xiyue Li and Samrachana Adhikari and Rumi Chunara},
journal= {arXiv preprint arXiv:2604.17089},
year = {2026}
}
备注
17 pages, 2 figures