零性能损失的概念瓶颈模型

基于摘要分析。本文研究概念瓶颈模型（CBM）在提供人类可理解解释时可能损失预测能力的问题，提出 CBM-zero，将现成黑箱模型转换为 CBM；作者称该转换不改变原模型的预测，并允许通过概念手动干预预测。 核心机制是在模型潜在空间与概念空间之间构造可逆映射，再将预测分解为概念的线性组合。其关键区别在于尝试保留原模型的预测能力，而不是以预测性能换取概念瓶颈。可逆映射的具体形式、概念如何定义及获得监督、线性分解的成立条件，以及干预后如何生成预测，均需查阅全文核对。 作者报告，在所评估的多个基准上，CBM-zero 相较其他 CBM 方法具有可比的可解释性与更高的 Accuracy。摘要未提供基准名称、数据划分、对照方法、指标数值或可解释性评价方式；实验协议、消融及统计信息尚未验证。标题中的“零性能损失”应理解为作者关于保持原模型预测的主张，不能据此认定概念解释必然忠实或具有因果意义。 平台推测（待验证）：若该可逆映射能适配 EEG 解码器的潜在表示，可将其用于检验预测是否依赖预先定义的神经信号概念，而非直接视为提升解码性能的方法。可复用部分是潜在表示到概念空间的映射及干预接口；需改造的是 EEG 概念定义、概念监督和跨被试适配。低信噪比、通道变化、被试差异与小样本可能导致概念不稳定，或使概念空间保留难以解释的信息。一个小规模可证伪实验是：固定既有 EEG 解码器及数据划分，比较转换前后的逐样本预测一致性，并用独立概念标注和受控信号扰动检验解释与干预是否符合预期。已有 EEG 相关工作尚未检索确认。