[LG]《Graph Concept Bottleneck Models》H Xu, T Weng, L M. Nguyen... [Stony Brook University & University of California, San Diego & IBM Research] (2025)
Graph Concept Bottleneck Models（Graph CBMs）革新了传统概念瓶颈模型（CBMs），通过引入可学习的潜在概念图显著提升模型性能与解释力：
• 传统CBMs假设概念之间条件独立，忽略了概念间的内在关联，而Graph CBMs构建概念节点及其关系边的图结构，捕获概念间的协同影响，提升预测准确性和信任度。
• 利用图神经网络（GNN）进行多层消息传递，动态更新激活向量与语义嵌入，增强概念表达的丰富性和判别力。
• 设计多粒度对比学习损失，联合监督图结构学习，实现标签无关的概念关系挖掘，支持无监督和有监督两种训练范式。
• 在多个视觉和医学影像分类任务中，Graph CBMs均超越现有最先进CBM变体，且在概念干预环节表现出更强的鲁棒性和可控性。
• 学习到的潜在概念图不仅与真实概念关系高度一致，还能提升模型对缺失或扰动概念的容错能力，增强实际应用中的稳定性。
• 该方法兼容多种CBM架构，具备广泛的适用性和扩展潜力，为可解释AI模型设计提供了新的范式。
深入建模概念间的复杂交互关系，是提升可解释模型性能与信赖度的关键路径。Graph CBMs通过隐式图结构的引入，实现了这一目标，推动了可解释机器学习的边界。
了解详情🔗arxiv.org/abs/2508.14255
人工智能可解释机器学习图神经网络深度学习概念瓶颈模型计算机视觉医学影像
