热点事件持续更新
概念瓶颈模型在扰动下的鲁棒性研究
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
2026年10月2日，arXiv cs.LG 发布一项研究，提出基于生成器的评估框架，在潜空间连续几何扰动与概念空间离散语义干预两类条件下，对比标准分类器与概念瓶颈模型（CBM）的鲁棒性，并用量化敏感度指标及潜空间、概念空间的随机平滑进行可验证评估。结果表明，可解释性并不天然带来鲁棒性，概念瓶颈只是改变了敏感性的分布位置与方式，可解释性与鲁棒性是相互独立的目标。该工作已被 NeurIPS 2026 接收。
AI 根据报道生成 · 3 小时前更新
最新进展10月2日 12:00
该研究提出生成器评估框架，发现可解释性与鲁棒性相互独立，已被 NeurIPS 2026 接收。报道时间线
沿着报道，了解事件的不同侧面。
10月2日
- arXiv：cs.LG（机器学习，全量分类）可解释但脆弱？概念瓶颈模型在几何-语义扰动下的鲁棒性
研究提出基于生成器的评估框架，在潜空间连续几何扰动与概念空间离散语义干预两类条件下，对比标准分类器与概念瓶颈模型（CBM）的鲁棒性，并用量化敏感度指标与潜空间、概念空间的随机平滑进行可验证评估。结果表明可解释性并不天然带来鲁棒性，概念瓶颈只是改变了敏感性的分布位置与方式，可解释性与鲁棒性是相互独立的目标。该工作已被 NeurIPS 2026 接收。
本事件热度走势
当前热度 9·可比范围峰值 9（10月2日 14:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。