在人工智慧領域，模型的可解釋性一直是研究熱點。傳統的概念瓶頸模型（CBM）雖然提供了內在可解釋性，但往往依賴於預定義的概念詞彙表或監督註釋，缺乏明確的概念基礎，並且用單一影像級分數概括每個概念，忽略了空間重複和概念間的依賴關係。針對這些侷限性，研究人員提出了一種基於圖的概念瓶頸模型（Graph-based Concept Bottleneck Model, G-CBM），旨在透過無監督方式發現概念並進行推理，從而提供更精細的解釋。
G-CBM的核心創新在於利用非負矩陣分解（NMF）進行無監督概念發現，並將發現的概念表示為每張影像概念圖中的節點。模型將區域級特徵與這些概念節點匹配，提供概念基礎並捕捉概念在影像中的重複出現。透過引入可調的概念過濾閾值τ，G-CBM能夠抑制弱區域級特徵，從而增強模型的魯棒性和選擇性。隨後，圖注意力網路（GAT）對節點之間的非線性依賴關係進行建模，實現概念級別的推理。
在多個基準資料集上的實驗表明，G-CBM顯著優於傳統方法。在ImageNet、HAM10000、PH2和Derm7pt上，G-CBM相比ResNet-50基線平均相對AUC提升3.7%。特別地，概念過濾機制不僅提高了預測效能，還誘導了有選擇性的概念使用：在PH2資料集上，僅使用10個概念中的2個即可達到0.96的AUC；在HAM10000上，使用9個概念中的3.8個達到0.92的AUC。在皮膚病學任務上，G-CBM與需要外部註釋的監督方法相比具有競爭力。刪除/插入分析結合隨機消融對照表明，學習到的概念排名忠實地反映了模型預測。
這項研究為可解釋人工智慧提供了新的思路，G-CBM透過無監督概念發現和圖推理，在保持模型效能的同時增強了可解釋性。該論文已被IJCAI-ECAI 2026 XAI研討會接收，將於德國不來梅召開。論文共7頁，包含4張圖，作者包括Md Mohasin Hossain等16位研究人員。論文的arXiv編號為2607.01416，DOI即將註冊。程式碼和資料預計將在未來發布。這一工作有望推動可解釋AI在醫學影像等關鍵領域的應用，特別是在需要透明決策的場景下。