本研究提出了一种基于概念的无监督领域适应（CUDA）框架，旨在解决概念瓶颈模型在领域转移中的性能下降问题。通过对抗训练和松弛阈值，CUDA提高了模型的鲁棒性，实验结果表明其在真实数据集上的表现优于现有方法。

本文提出了一种新型可解释模型，基于概念瓶颈模型（CBM），结合监督与无监督学习，显著提高了实验效果并减少计算量。研究表明该模型在合成表格和自然图像数据集上有效，且无需密集注释概念，提升了模型的透明度和性能。新框架支持高效的数据处理和概念编辑。