本研究提出了一种自动报告生成框架，结合概念瓶颈模型和多智能体检索，旨在提升放射科报告的可解释性和可靠性。该系统将胸部X射线特征映射到临床概念，生成透明且基于证据的定制报告，从而提高诊断一致性。

本研究提出了一种因果可靠的概念瓶颈模型（C$^2$BMs），旨在解决传统模型未能反映真实因果机制的问题。该模型通过结构化瓶颈促进推理，提升因果推理任务的表现，增强可解释性和因果可靠性，实验结果表明其优于现有模型。

本研究提出了一种零样本概念瓶颈模型（Z-CBMs），旨在解决传统概念瓶颈模型对大量数据和资源的依赖问题。Z-CBMs无需训练神经网络即可进行概念和标签预测，利用大型概念库进行检索和回归。实验结果表明，该模型具有可解释性和干预性，展现出重要的应用潜力。

本研究提出了一种新的视觉到概念（V2C）标记器，旨在解决传统概念瓶颈模型在视觉识别中对专家知识的依赖。通过该标记器，可以直接从多模态模型构建概念瓶颈模型，从而显著提高分类准确性和可解释性。研究结果表明，V2C-CBM在多个视觉分类基准测试中表现优异。

本研究提出自适应概念瓶颈模型（CBM），旨在解决基础模型在分布变化下的决策解释性问题。该模型通过动态调整概念向量库和预测层，显著提升测试数据的解释能力和部署准确率，最高提升可达28%。

本文研究了概念瓶颈模型（CBMs）中输入特征与概念向量的关联性，提出了一种新方法来衡量概念的重要性。通过概率模型、能量模型和递增残差模型等方法，提升了模型的可靠性和解释性，解决了概念完整性和数据处理的挑战。此外，研究展示了如何通过无监督概念发现和大型语言模型来提高模型性能，减少对伪相关性的依赖。

本文介绍了一种新型可解释模型——概念瓶颈模型（PCBM），结合监督与无监督学习，提升模型性能并减少计算量。研究还提出了信息瓶颈方法、文本瓶颈模型（TBMs）及反事实概念瓶颈模型（CF-CBMs），旨在提高深度学习模型的解释性和准确性，解决预测、解释及反事实场景等问题。

本文提出了一种新型可解释模型，结合监督与无监督学习，优化模型性能并减少计算量。研究展示了通过概念瓶颈模型（CBM）和交互式机制提升预测准确率，并引入自适应模块增强分类性能。新框架Label-free CBM能够在无标记数据下实现高效转换，未来有望广泛应用。

本研究提出了后续概念瓶颈模型（PCBM），旨在将神经网络转化为可解释模型，提升性能而无需密集注释。PCBM通过多模式模型实现概念转移，用户可编辑模型以提高准确率。新方法OpenCBM引入开放词汇概念，允许用户修改概念，显著提升分类准确率。此外，研究还提出了多种改进的CBM模型，增强了模型的可解释性和性能。

本研究提出了多种概念瓶颈模型（CBM），如PCBM、ProbCBM和CB2M，旨在提高神经网络的解释性和性能。通过用户反馈和交互式标签，这些模型能够在不重新训练的情况下优化预测，实验结果显示其在准确性和效率上优于传统方法，适用于大规模数据处理。

本文介绍了概念瓶颈模型（CBMs）及其改进版本IntCEMs，旨在提高神经网络的可解释性和性能。研究表明，IntCEMs通过学习概念干预策略显著提升了模型表现。此外，ProbCBM模型通过建模概念预测的不确定性，增强了模型的可靠性和解释性。研究还探讨了模型的鲁棒性及防御机制，并提出了新的概念嵌入模型以优化准确性和解释能力。

本文提出了一种新型可解释模型，结合概念瓶颈模型（CBM）和贝叶斯推理，旨在提升神经网络的透明度和性能。通过引入合作概念瓶颈模型和概念正交损失，减少计算量并实现准确预测。新框架Label-free CBM能够将任意神经网络转化为可解释模型，且无需标记数据，适用于实际应用场景。

该文介绍了一种基于概念瓶颈模型的可解释图像分类方法，通过可视化激活评分筛选出含有视觉含义的重要概念，验证了该方法的有效性。

该文介绍了一种新的概念瓶颈模型（CBMs）—— Intervention-aware Concept Embedding models（IntCEMs），通过学习概念干预策略，在测试时显著提高性能。实验证明，IntCEMs 优于概念可解释模型。

本文介绍了概念瓶颈模型（CBMs）的可解释图像分类方法，通过可视化激活评分筛选出重要概念，并验证了其有效性。