本研究では、軽量で分離された概念ボトルネックモデル（LDCBM）を提案します。概念ボトルネックモデル（CBMs）は、人間が理解しやすい概念を中間表現として予測することで解釈可能性を向上させるものですが、従来のCBMsは入力から概念へのマッピングバイアスや制御可能性の制限に悩まされており、実用的な価値が制約されていました。LDCBMは、地域の注釈なしで視覚的特徴を意味のある要素に自動的にグループ化します。フィルターグルーピング損失と共同概念監視を導入することで、視覚パターンと概念の整合性を高め、より透明で堅牢な意思決定を可能にします。三つの異なるデータセットでの実験により、LDCBMはより高い概念およびクラス精度を達成し、解釈可能性と分類性能の両方で従来のCBMsを上回ることが示されました。概念を視覚的証拠に基づけることで、以前のモデルの基本的な制限を克服し、解釈可能なAIの信頼性を向上させます。