Buchumschlag

Learning Concept Bottleneck Models from Mechanistic Explanations

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	De Santis, Antonio, Tong, Schrasing, Brambilla, Marco, Kagal, Lalana
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Mitigating Bias in Concept Bottleneck Models for Fair and Interpretable Image Classification
von: Tong, Schrasing, et al.
Veröffentlicht: (2026)

Causally Reliable Concept Bottleneck Models
von: De Felice, Giovanni, et al.
Veröffentlicht: (2025)

Parameter Efficiency Is Not Memory Efficiency: Rethinking Fine-Tuning for On-Device LLM Adaptation
von: Tenison, Irene, et al.
Veröffentlicht: (2026)

Visual-TCAV: Concept-based Attribution and Saliency Maps for Post-hoc Explainability in Image Classification
von: De Santis, Antonio, et al.
Veröffentlicht: (2024)

Mixture of Concept Bottleneck Experts
von: De Santis, Francesco, et al.
Veröffentlicht: (2026)

Learning to Intervene on Concept Bottlenecks
von: Steinmann, David, et al.
Veröffentlicht: (2023)

Counterfactual Concept Bottleneck Models
von: Dominici, Gabriele, et al.
Veröffentlicht: (2024)

Measuring Perceptions of Fairness in AI Systems: The Effects of Infra-marginality
von: Tong, Schrasing, et al.
Veröffentlicht: (2026)

Incremental Residual Concept Bottleneck Models
von: Shang, Chenming, et al.
Veröffentlicht: (2024)

Towards Reasonable Concept Bottleneck Models
von: Kalampalikis, Nektarios, et al.
Veröffentlicht: (2025)

Eliminating Information Leakage in Hard Concept Bottleneck Models with Supervised, Hierarchical Concept Learning
von: Sun, Ao, et al.
Veröffentlicht: (2024)

Explanation Bottleneck Models
von: Yamaguchi, Shin'ya, et al.
Veröffentlicht: (2024)

TimeX++: Learning Time-Series Explanations with Information Bottleneck
von: Liu, Zichuan, et al.
Veröffentlicht: (2024)

Bayesian Concept Bottleneck Models with LLM Priors
von: Feng, Jean, et al.
Veröffentlicht: (2024)

Do Concept Bottleneck Models Respect Localities?
von: Raman, Naveen, et al.
Veröffentlicht: (2024)

Addressing Concept Mislabeling in Concept Bottleneck Models Through Preference Optimization
von: Penaloza, Emiliano, et al.
Veröffentlicht: (2025)

V-CEM: Bridging Performance and Intervenability in Concept-based Models
von: De Santis, Francesco, et al.
Veröffentlicht: (2025)

Object Centric Concept Bottlenecks
von: Steinmann, David, et al.
Veröffentlicht: (2025)

Hoeffding Concept Bottleneck Models with Applications to Overhead Images
von: Bénard, Clément, et al.
Veröffentlicht: (2026)

Towards Fine-Grained and Verifiable Concept Bottleneck Models
von: Fang, Yingying, et al.
Veröffentlicht: (2026)

Towards Better Generalization and Interpretability in Unsupervised Concept-Based Models
von: De Santis, Francesco, et al.
Veröffentlicht: (2025)

Relational Concept Bottleneck Models
von: Barbiero, Pietro, et al.
Veröffentlicht: (2023)

Global Concept Explanations for Graphs by Contrastive Learning
von: Teufel, Jonas, et al.
Veröffentlicht: (2024)

Towards Resource Efficient and Interpretable Bias Mitigation in Large Language Models
von: Tong, Schrasing, et al.
Veröffentlicht: (2024)

Credal Concept Bottleneck Models: Structural Separation of Epistemic and Aleatoric Uncertainty
von: Mukherjee, Tanmoy, et al.
Veröffentlicht: (2026)

GlassMol: Interpretable Molecular Property Prediction with Concept Bottleneck Models
von: Rivera, Oscar, et al.
Veröffentlicht: (2026)

Improving ARDS Diagnosis Through Context-Aware Concept Bottleneck Models
von: Narain, Anish, et al.
Veröffentlicht: (2025)

RICE: Breaking Through the Training Bottlenecks of Reinforcement Learning with Explanation
von: Cheng, Zelei, et al.
Veröffentlicht: (2024)

Editable Concept Bottleneck Models
von: Hu, Lijie, et al.
Veröffentlicht: (2024)

Rule-Bottleneck Reinforcement Learning: Joint Explanation and Decision Optimization for Resource Allocation with Language Agents
von: Tec, Mauricio, et al.
Veröffentlicht: (2025)

Faithful and Stable Neuron Explanations for Trustworthy Mechanistic Interpretability
von: Yan, Ge, et al.
Veröffentlicht: (2025)

SL-CBM: Enhancing Concept Bottleneck Models with Semantic Locality for Better Interpretability
von: Zhang, Hanwei, et al.
Veröffentlicht: (2026)

An Analysis of Concept Bottleneck Models: Measuring, Understanding, and Mitigating the Impact of Noisy Annotations
von: Park, Seonghwan, et al.
Veröffentlicht: (2025)

Concept-Based Abductive and Contrastive Explanations for Behaviors of Vision Models
von: Canizales, Ronaldo, et al.
Veröffentlicht: (2026)

Process-Guided Concept Bottleneck Model
von: Asiyabi, Reza M., et al.
Veröffentlicht: (2026)

Zero-shot Concept Bottleneck Models
von: Yamaguchi, Shin'ya, et al.
Veröffentlicht: (2025)

Semi-supervised Concept Bottleneck Models
von: Hu, Lijie, et al.
Veröffentlicht: (2024)

FTTE: Enabling Federated and Resource-Constrained Deep Edge Intelligence
von: Tenison, Irene, et al.
Veröffentlicht: (2025)

Revealing Combinatorial Reasoning of GNNs via Graph Concept Bottleneck Layer
von: Niu, Yue, et al.
Veröffentlicht: (2026)

Improving Intervention Efficacy via Concept Realignment in Concept Bottleneck Models
von: Singhi, Nishad, et al.
Veröffentlicht: (2024)