从大数据集中学习近乎最优的规则列表的一种新颖和可扩展的方法，使用采样以有效获得近似最优规则列表，并在质量上做出保证，速度比精确方法快两个数量级，并且与启发式方法相比更高质量的规则列表。
Jun, 2024
本研究提出一种优化方法，用于学习下降规则列表和 “软化” 的下降规则列表，并提出了蒙特卡罗搜索算法，以限制对最优解的搜索空间，从而实现分类的概率化决策。
Oct, 2017
提供了一种基于贝叶斯框架的下降规则列表学习方法，用于分类和医疗应用中病人风险评估和决策等方面。
Nov, 2014
本文提出了一种基于离散优化的过程，用于构建基于分类特征空间的规则列表，并且通过算法边界、高效数据结构和计算复用来获得数倍的时间加速和大幅度降低的内存消耗。其结果表明，通过本方法可以在几秒钟内构建出比 Broward County，Florida 的数据上的 COMPAS 专有风险预测工具准确性近似的解释性优化规则列表，这是一种新的解释性建模决策树方法的替代方案。
Apr, 2017
本文介绍了一种基于概率规则列表和最小描述长度原则的模型选择方法，该方法可以在减小模型复杂度与保持良好拟合度之间进行折衷。同时，介绍了 Classy 算法，该算法针对多类别分类问题，选择小的概率规则列表，实现了良好的性能和可解释性。
May, 2019
使用决策列表的生成模型 Bayesian Rule Lists，其预测准确度与机器学习中当前最好的算法相当，可用于生成高度准确和易于解释的医学评分系统，并且在可解释性方面不亚于现有的 CHADS$_2$，但更加准确。
Nov, 2015
本文提出使用基于规则的特征（也称为规则集成）的广义线性模型，用于回归和概率分类，通过列生成算法，优化规则集合的复杂度和预测准确性的平衡。在逻辑回归和线性回归的实验中，与现有的规则集成算法相比，所提出的方法可以获得更好的准确性 - 复杂度平衡，一端可以与少量簇比较。
Jun, 2019
本文说明了许多机器学习算法都是贝叶斯学习规则的特定实例，该规则源于贝叶斯原则，从优化、深度学习和图形模型等领域得出一系列算法。我们的工作不仅统一，泛化和改进了现有算法，而且还帮助我们设计新的算法。
Jul, 2021
本研究提出了 TURS 作为解决现有方法缺陷的方法，TURS 通过利用规则集的概率特性和开发两阶段启发式算法来学习无序规则集，并在实验中证明 TURS 相对于现有方法在解释性和预测性能方面均具有优势。
Jun, 2022
该研究提出一种新方法，将针对二元分类任务训练的 Tree Ensemble 模型转换为规则列表，以增强模型的解释性和可理解性，并在基准数据集上进行了实验。