CI-CBM: Interpretierbares kontinuierliches Lernen ohne Vergessen

In der Forschung zum kontinuierlichen Lernen bleibt das Problem des katastrophalen Vergessens ein zentrales Hindernis. Besonders in der class‑incremental‑Learning‑Umgebung, wo Modelle schrittweise neue Klassen lernen, verlieren sie häufig ihr vorheriges Wissen. Traditionelle Lösungen greifen dabei oft auf die Kosten von Interpretierbarkeit oder Genauigkeit zurück.

Die neue Methode Class‑Incremental Concept Bottleneck Model (CI‑CBM) kombiniert gezielte Konzeptregularisierung mit der Erzeugung von Pseudokonzepten, um die Entscheidungsprozesse während des Lernens transparent zu halten. Durch diese Technik bleibt das Modell nicht nur verständlich, sondern kann gleichzeitig die Leistung von Black‑Box‑Modellen erreichen.

In umfangreichen Tests auf sieben unterschiedlichen Datensätzen übertrifft CI‑CBM frühere interpretierbare Ansätze im class‑incremental‑Learning um durchschnittlich 36 % an Genauigkeit. Dabei liefert es sowohl für einzelne Eingaben als auch für globale Entscheidungsregeln nachvollziehbare Erklärungen. Die Methode funktioniert gleichermaßen in vortrainierten und nicht vortrainierten Szenarien, wobei im letzteren Fall der Backbone erst in der ersten Lernphase von Grund auf trainiert wird.

Der Quellcode ist öffentlich auf GitHub verfügbar und ermöglicht Forschern sowie Praktikern, die Vorteile von interpretierbarem kontinuierlichem Lernen direkt in ihre Projekte zu integrieren.