零样概念瓶颈模型
机器学习
2026-04-06 v2 人工智能
计算机视觉与模式识别
摘要
概念瓶颈模型 (CBM) 是一种内在可解释且可干预的神经网络模型，通过中间预测的高层语义概念来解释其最终标签预测。然而，它们需要针对目标任务进行训练来学习输入到概念和概念到标签的映射，导致需要收集目标数据集和训练资源。本文提出了零样概念瓶颈模型 (Z-CBM)，其在完全零样态下预测概念和标签，而无需训练神经网络。Z-CBM 利用大规模概念库，该概念库由从网络中提取的数百万词汇组成，用于描述各种领域中的任意输入。对于输入到概念的映射，我们引入概念检索，通过概念库上的跨模态搜索动态查找与输入相关的概念。在概念到标签的推断中，我们应用概念回归，从检索到的概念中选择关键概念。通过大量实验，我们确认我们的 Z-CBM 在无需任何额外训练的情况下提供了可解释且可干预的概念。代码将在 https://github.com/yshinya6/zcbm 上发布。
引用
@article{arxiv.2502.09018,
title = {Zero-shot Concept Bottleneck Models},
author = {Shin'ya Yamaguchi and Kosuke Nishida and Daiki Chijiwa and Yasutoshi Ida},
journal= {arXiv preprint arXiv:2502.09018},
year = {2026}
}
备注
Accepted to IEEE ICME 2026