霍夫丁概念瓶頸模型及其在俯瞰圖像中的應用

研究論文提出霍夫丁概念瓶頸模型（HCBM），旨在解決深度學習在計算機視覺高風險決策應用中解釋性不足的問題。現有的概念瓶頸模型（CBM）依賴線性聚合概念分數來進行預測，但當概念數量眾多時，這種方法會削弱解釋性並可能導致資訊洩漏。為此，HCBM 基於霍夫丁函數分解，利用梯度提升樹技術進行非線性和稀疏的概念聚合，從而生成緊湊且可解釋的預測。論文證明，HCBM 對概念間洩漏具有穩健性，並在實驗中表現出優於傳統線性CBM的性能。此外，HCBM 可適應物件偵測等任務，並以俯瞰圖像為挑戰性案例，展示其在高難度設定下的卓越性能，為計算機視覺應用提供更可靠的解釋性解決方案。