该文综述概念瓶颈模型（CBMs）的研究进展，涵盖交互式CBMs、PCBM、CB2M、ProbCBM等模型，这些模型提升了预测准确率与可解释性，并支持概念转移和全局编辑；同时探讨了概念独立性、鲁棒性及对抗防御等问题。

该论文提出了一种带有附加概念层的CNN架构的引导学习方法，用于学习视觉特征和单词短语之间的关联，并学习与人类感知一致的概念。实验结果表明，该模型可以在不牺牲准确性的情况下学习一致于人类感知的概念，并将这些学习到的概念转移到具有相似概念的新对象类别中。