深層学習アルゴリズムの説明可能性は、医療診断や自動運転など重大な決定が伴うコンピュータビジョン応用において極めて重要です。近年、概念ボトルネックモデル（CBM）が注目を集めており、高レベルの概念を通じた「ボトルネック」構造を用いることで、分類問題において説明可能性と精度の両立を実現しています。しかし既存のCBM手法のほとんどは、概念スコアの線形結合によって予測を生成するため、多数の概念を必要とすることになり、これが説明可能性を損なうとともに情報漏洩のリスクを高めています。 実際のところ、概念と出力ロジットの間の関係は必ずしも線形ではありません。本研究では、この課題に対処するため、ホエッフディング概念ボトルネックモデル（HCBM）を提案しています。HCBMは勾配ブースティング決定木のホエッフディング関数分解を基盤とし、概念スコアの非線形かつスパース（疎）な集約を実現します。さらにプライムインプリカントを用いてコンパクトな予測を生成するため、より少ない数の概念で高い性能を達成できます。 HCBMは概念間の情報漏洩に対してロバストであることが理論的に証明されており、広範な実験を通じて標準的な線形CBMを上回る性能が実証されています。分類タスクにとどまらず、HCBMはオブジェクト検出にも適用可能であり、特に衛星画像や航空機から撮影された俯瞰画像のような困難なケースでも高い性能を発揮することが示されています。