Enhancing Interpretable Image Classification Through LLM Agents and Conditional Concept Bottleneck Models
Monash University, Melbourne, Australia | AIM for Health Lab
🚀 研究亮点
我们提出了条件概念瓶颈模型(CoCoBMs)和概念代理，通过动态调整概念库和类别特定评分机制，在6个数据集上实现了：
+6%
分类准确率提升
+30%
可解释性评估提升
动态
概念库优化
🔥 创新点
- 条件概念瓶颈模型(CoCoBMs)：引入类别特定评分机制，显著提升模型性能
- 概念代理：利用环境反馈动态调整概念库，自动优化概念数量
- 可编辑矩阵：允许LLM根据其内部知识纠正冲突的概念评分
- 定量评估：设计了基于LLM的可解释性量化评估指标
