速報
因果神經機率電路提升概念瓶頸模型可干預性與準確度
概念瓶頸模型(CBM)透過在神經網路中加入概念層,使最終分類結果可解釋且支援專家在測試時修正概念值。然而傳統 CBM 只會覆寫被修正的概念,忽略概念間的因果關係,導致干預效果受限。研究者提出因果神經機率電路(CNPC),結合神經屬性預測器與由因果圖編譯的機率電路,實現精確且可計算的因果推論,保留概念間的依賴。
速報
概念瓶頸模型(CBM)透過在神經網路中加入概念層,使最終分類結果可解釋且支援專家在測試時修正概念值。然而傳統 CBM 只會覆寫被修正的概念,忽略概念間的因果關係,導致干預效果受限。研究者提出因果神經機率電路(CNPC),結合神經屬性預測器與由因果圖編譯的機率電路,實現精確且可計算的因果推論,保留概念間的依賴。
深度分析
本研究提出一套模組化框架,針對知識圖譜中三層次的不確定性提出可擴展解法:屬性層以高斯混合模型為基底,擴充 SPARQL 支援連續分布的代數運算;三元組層將 SPARQL 溯源編譯為可計算的概率電路以實現精確推理;群組/模式層則以拓撲敏感的幾何嵌入近似統計本體推理。