Concept Bottleneck Models (CBMs)은 인간이 이해할 수 있는 개념 집합에 AI 시스템의 결정을 제한함으로써 신뢰성을 높이고자 제안된 모델입니다. 하지만 CBMs는 일반적으로 데이터셋이 정확한 개념 레이블을 포함한다고 가정하는데, 이는 실제로는 종종 위반되며, 이로 인해 성능이 크게 저하될 수 있음을 보여줍니다(일부 경우 25%까지). 본 논문에서는 개념 오표시의 부정적 영향을 효과적으로 완화하는 새로운 손실 함수인 Concept Preference Optimization (CPO) 목표를 제시합니다. CPO 목표의 주요 특성을 분석하여 개념의 사후 분포를 직접 최적화함을 보여주고, Binary Cross Entropy (BCE)와 비교하여 CPO가 개념 노이즈에 본질적으로 덜 민감함을 보여줍니다. 실험적으로 세 개의 실제 데이터셋에서 추가적인 레이블 노이즈가 있는 경우와 없는 경우 모두 CPO가 BCE보다 일관되게 성능이 우수함을 확인했습니다. 코드는 Github에 공개되었습니다.
