论文
低成本的基于概念局部化解释：免训练方法能走多远？
Low-cost concept-based localized explanations: How far can we get with training-free approaches?
摘要
基于概念的可解释AI（C-XAI）寻求锚定于语义概念的人类可理解解释——但验证受细粒度概念标注稀缺限制。我们评估中等规模多模态大语言模型（MLLM）能否在严格零样本条件下执行局部化概念命名——为对象与部件级边界框区域指派标签。我们提出可复现的零样本概念命名（CoNa）评估协议：(i) 面向中等词表的闭集、类别约束提示——(ii) 面向大标签空间、基于嵌入相似度的Open-CoNa。四个MLLM（7B-32B）的实验跨数据集展现一致性能趋势——对象级精确匹配准确率达62%-88%——凸显来自局部区域的免训练概念标注潜力。我们讨论局限与失败模式——并发布可复现框架支持未来低成本C-XAI研究。
