本文提出了一种自我解释的深度学习模型，适用于无监督概念学习，能够生成有意义的解释并提升性能。实验结果显示，该模型在多个数据集上优于现有方法。此外，研究还探讨了基于不确定性的贝叶斯估计和模型无关的概念解释方法，验证了其在模型选择和优化中的实用性。

该文综述多项研究，探讨用概念解释神经网络：GNN神经元可作概念探测器以提升可解释性；结合符号知识图谱可提高少样本识别；概念层CNN能学习符合人类感知的概念并迁移；神经符号方法支持语义干预与常识推理。

该文综述多种黑盒模型可解释性方法：ConceptDistil通过知识蒸馏提供概念解释；结合神经网络内在特征与归纳逻辑构建符号模型；概念敏感训练减少偏差；决策树用于全局解释；因果先验图消除混淆；基于熵的可微方法提取逻辑解释；DISSECT自动发现概念并检测偏见；结构因果模型作对比解释；概率反事实提供补救措施；自解释模型实现无监督概念学习。