.png){kind=icon}
返回
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
摘要
En 中文
概念瓶颈模型（CBMs）是可解释的神经网络，它们首先预测与预测任务相关的、可被人类解释的概念的标签，然后基于概念标签的预测来预测最终标签。我们将CBMs扩展到交互式预测设置中，在该设置中，模型可以查询人类协作者以获取某些概念的标签。我们开发了一种交互策略，在预测时选择请求标签的概念，以最大化改进最终预测。我们证明，一种结合概念预测不确定性和概念对最终预测影响的简单策略能够实现强性能，并优于静态方法以及文献中提出的主动特征获取方法。我们表明，交互式CBM仅需5次交互即可在Caltech-UCSD Birds、CheXpert和OAI数据集上超越竞争基线，实现5-10%的准确率提升。
期刊
暂无期刊信息
机构
暂无机构信息
引用论文
暂无论文信息