Structural Causality-based Generalizable Concept Discovery Models
基于结构因果关系的可泛化概念发现模型AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要聚焦深度学习解释与概念发现，虽使用结构因果模型，但未明确处理效应识别或经济结构估计，领域细分证据不足。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
基于结构因果关系的可泛化概念发现模型
- 研究问题
- 深度网络解释中的语义概念会随下游任务变化，如何区分数据生成因素与任务特定概念，并建立两者之间可解释的关系？
- 方法与思路
- 作者用变分自编码器学习相互独立的生成因素，再通过结构因果模型学习任务概念，并假设因素到概念形成有向二部图。
- 材料陈述的贡献
- 摘要称，模型在生成因素已知的 D-sprites 和 Shapes3D 数据上学到任务特定概念，并可灵活适配不同概念数量和下游任务。
- 阅读关注点
- 应核对生成因素独立性与二部图假设的作用、因果边是否可识别，以及概念评价标准和跨任务泛化验证的实际范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实。摘要未说明因果边识别条件，两个数据集的实验不足以验证任意任务适用性。
原文摘要
The rising need for explainable deep neural network architectures has utilized semantic concepts as explainable units. Several approaches utilizing disentangled representation learning estimate the generative factors and utilize them as concepts for explaining DNNs. However, even though the generative factors for a dataset remain fixed, concepts are not fixed entities and vary based on downstream tasks. In this paper, we propose a disentanglement mechanism utilizing a variational autoencoder (VAE) for learning mutually independent generative factors for a given dataset and subsequently learning task-specific concepts using a structural causal model (SCM). Our method assumes generative factors and concepts to form a bipartite graph, with directed causal edges from generative factors to concepts. Experiments are conducted on datasets with known generative factors: D-sprites and Shapes3D. On specific downstream tasks, our proposed method successfully learns task-specific concepts which are explained well by the causal edges from the generative factors. Lastly, separate from current causal concept discovery methods, our methodology is generalizable to an arbitrary number of concepts and flexible to any downstream tasks.