EQ-CBM：エネルギーに基づくモデルと量子化ベクトルを用いた確率的コンセプトボトルネック

信頼性の高いAIシステムに対する需要が高まる中で、解釈可能性を備えた深層ニューラルネットワークの開発が急務となっている。概念ボトルネックモデル（Concept Bottleneck Models: CBMs）は、人間が理解しやすい概念を活用することで解釈可能性を向上させる有効なアプローチとして注目を集めている。しかし、従来のCBMsは決定論的な概念符号化と一貫性の欠如した概念に依存するため、精度の低下を引き起こす課題を抱えている。本研究では、エネルギーに基づくモデル（Energy-based Models: EBMs）を用いた確率的概念符号化と、量子化された概念活性化ベクトル（quantized Concept Activation Vectors: qCAVs）を導入することで、CBMsの性能を向上させる新たなフレームワークEQ-CBMを提案する。EQ-CBMは不確実性を効果的に捉えることで、予測の信頼性と精度を向上させる。また、qCAVsを用いることで、概念符号化時に一貫性の高いベクトルを選択可能となり、タスク実行の明確性を高め、人間の介入をより高度に実現できる。ベンチマークデータセットを用いた実証実験の結果、本手法は従来の最先端技術と比較して、概念精度およびタスク精度の両面で優れた性能を示した。