본 논문은 인간이 이해할 수 있는 변수를 통해 추론 과정을 제약하여 설명 가능성과 인간의 상호 작용을 용이하게 하는 개념 기반 모델을 다룹니다. 기존의 개념 기반 모델들은 데이터에 나타난 현상의 근본적인 인과 메커니즘을 고려하지 못하는 한계를 지니는데, 이는 인과 추론 작업을 지원하는 능력, 분포 외 일반화, 공정성 제약 조건의 구현에 제약을 초래합니다. 이러한 문제를 해결하기 위해, 논문에서는 실제 세계의 인과 메커니즘 모델에 따라 구조화된 개념 병목을 통해 추론을 강화하는 인과적으로 신뢰할 수 있는 개념 병목 모델(C²BMs)을 제안합니다. 또한, 관찰 데이터와 비정형 배경 지식(예: 과학 문헌)으로부터 이러한 구조를 자동으로 학습하는 파이프라인을 소개합니다. 실험 결과는 C²BMs가 표준 불투명 모델 및 개념 기반 모델에 비해 해석 가능성, 인과적 신뢰성, 개입에 대한 반응성이 향상되면서 정확성을 유지함을 보여줍니다.
