Concept Bottleneck Models to modele, które podejmują decyzje na podstawie zdefiniowanych przez człowieka koncepcji, co czyni je przejrzystymi i możliwymi do edycji w czasie testowania. ReCBM rozszerza ten podход poprzez dodanie warstwę rozumowania relacyjnego, która rozumie powiązania między koncepcjami - czy jedna koncepcja implikuje inną, czy się wykluczają, lub jakie są patryny ich wspólnego występowania.
Głównym problemem, który rozwiązuje ReCBM, jest propagacja błędnych informacji przez sieć koncepcji. Kiedy jakiś koncept jest źle wnioskowany lub niedostępny, tradycyjne modele mogą utrwalić tę błędną informację w dalszych predykcjach. ReCBM wprowadza bramki oparte na niepewności, które zmniejszają wpływ koncepcji, co do których model ma mało pewności, jednocześnie pozwalając bardziej pewnym koncepcjom poprawiać estymaty koncepcji mniej pewnych poprzez ich relacje. To jest szczególnie ważne w rzeczywistych scenariuszach, gdzie dane mogą być niekompletne lub zawierać szumy.
Wyniki eksperymentów pokazują, że ReCBM znacznie lepiej sobie radzi, gdy kilka koncepcji brakuje lub jest błędnie klasyfikowanych, a jednocześnie pozwala na bardziej sens-aware interwencje człowieka. Model automatycznie identyfikuje kompaktowy podzbiór koncepcji, które naprawdę liczą się dla ostatecznego zadania, bez pogorszenia wydajności predykcyjnej. To otwiera możliwości dla bardziej niezawodnych, interpretowalnych systemów AI, szczególnie ważne w domenach wysokiego ryzyka.