في المجالات التي تتطلب مسؤولية عالية، من الضروري فهم كيفية اتخاذ نماذج التعلم العميق للقرارات عند تحليل أسباب تصنيف الصور. تم مؤخرًا تقديم أساليب التفسير القائمة على المفاهيم للكشف عن الآليات الداخلية للنماذج القائمة على التعلم العميق باستخدام مفاهيم عالية المستوى. ومع ذلك، تُعاني هذه الأساليب من تناقض بين الدقة والقابلية للتفسير. على سبيل المثال، في البيئات الواقعية، وبخلاف البيانات التدريبية المُنظمة جيدًا، يصبح التنبؤ الدقيق بالمفاهيم المتوقعة تحديًا بسبب التشوهات المتنوعة والتعقيدات الناتجة عن الكائنات المختلفة. ول superar هذا التناقض، نقترح نماذج تضمين الرسم المفاهيمي (CGEM)، التي تعكس الترابطات والهياكل المعقدة بين المفاهيم من خلال تعلم الاتجاهات المتبادلة. يختلف الشبكة العصبية التلافيفية للرسم المفاهيمي (Concept GCN)، وهي مهمة تطبيقية لاحقة لـ CGEM، عن الطرق السابقة التي تحدد وجود المفاهيم فقط، إذ تقوم بالتصنيف النهائي بناءً على العلاقات بين المفاهيم التي تم تعلمها من خلال تضمين الرسم. ويمنح هذا الإجراء النموذج مرونة عالية حتى في حال وجود مفاهيم خاطئة. علاوةً على ذلك، نستخدم شبكة عصبية تلافيفية ثنائية القابلية للتشويه (deformable bipartite GCN) لتشفير المفاهيم المتمحورة حول الكائنات في المراحل المبكرة، مما يعزز تجانس المفاهيم. أظهرت النتائج التجريبية أن تضمين المفاهيم القابل للتشويه يخفف من التناقض بين دقة المهمة وقابلية التفسير. كما تأكد أن هذا النهج يمكّن النموذج من تعزيز المرونة وقابلية التفسير مع الحفاظ على متانة عالية أمام تشوهات المفاهيم الواقعية المختلفة وتدخلات المفاهيم الخاطئة. يُتاح كودنا على الرابط التالي: https://github.com/jumpsnack/cgem.