Concept Bottleneck Models (CBMs)는 인간이 이해할 수 있는 개념 집합에 AI 시스템의 결정을 제한함으로써 신뢰성을 높이도록 제안된 모델입니다. 하지만 CBMs는 일반적으로 데이터셋이 정확한 개념 레이블을 포함한다고 가정하는데, 이는 실제로는 종종 위반되는 가정이며, 이로 인해 성능이 크게 저하될 수 있음(최대 25%까지)을 보여줍니다. 본 논문에서는 개념 오표기의 부정적 영향을 효과적으로 완화하는 새로운 손실 함수인 Concept Preference Optimization (CPO) 목적 함수를 제시합니다. Direct Preference Optimization을 기반으로 하는 CPO 목적 함수의 핵심 특성을 분석하고, 개념의 사후 분포를 직접 최적화함을 보여줍니다. 또한, Binary Cross Entropy (BCE)와 비교하여 CPO가 개념 노이즈에 내재적으로 덜 민감함을 보여줍니다. 실험적으로 세 개의 실제 데이터셋에서 레이블 노이즈가 있거나 없는 경우에 CPO가 BCE보다 일관되게 우수한 성능을 보임을 확인했습니다.
