本文提出以布尔规则为基础的分类方法，并通过基于整数规划和 Hamming 距离的算法，寻求简单分类规则和分类准确性之间的平衡，实现优于一级规则的分类效果。

Nov, 2015

本文提出了一种新的范式，使用一个可解释的二层神经网络学习一组独立的逻辑规则作为分类的模型，并提出一种基于稀疏性的规则得出算法，相比其他学习算法和黑匣子模型，该方法可以在分类准确性和简单性之间取得更好的平衡。

Mar, 2021

本文介绍了一种基于子模优化的学习规则集的方法，将子问题转化为特征子集选择任务并利用子模函数差值的思想使得问题更易解决，实验结果表明这种方法简单、可扩展且具有较好效果。

Jun, 2022

该文介绍了一种机器学习算法，用于构建包含少量析取合取式（或代数乘积的或）的分类器，并提供了两种概率模型以便形成模式集合。同时，他们也提供了两种可扩展的 MAP 推断方法，这些推断方法有助于预测有关车载上下文感知个性化推荐系统的用户行为。

Apr, 2015

本研究提出并实现了一种基于表达式布尔公式的可解释人工智能分类模型，适用于信用评分和医学诊断等领域，该分类器使用原生本地优化技术进行训练。

Jun, 2023

本文介绍了一种基于整数规划和列生成的方法，用于学习在 DNF 或 CNF 形式下的布尔规则作为分类的可解释模型，并提出了一种基于随机化的近似 CG 算法来处理大规模数据集。

May, 2018

提出了一种基于整数规划的框架，用于构建准确且可解释的离散线性分类模型，该框架具有控制和灵活性，可为特定领域的实践者量身定制准确且可解释的模型。通过数值实验和睡眠呼吸暂停诊断工具的案例研究，展示了该框架的性能和灵活性。

May, 2014

通过利用分布鲁棒优化，我们提出了一个新的公式来学习一组规则集的集合，以在保持计算成本低的同时确保良好的泛化性能，并通过构建一个稀疏的规则集合来解决规则集的稀疏性和预测准确性之间的固有权衡。

Nov, 2023

该研究提出了一种新方法来推断不同的规则集，通过在 Max-Sum 多样化框架下优化决策规则之间的小重叠，以及在鉴别品质和规则集多样性之间最大化加权总和，来克服联想规则指数级搜索空间的困难。该算法通过随机采样高度鉴别且重叠小的规则，并证明其拥有更好的预测能力和解释性。

Jun, 2020

本文介绍了一种名为 IMLI 的基于最大可满足性的可解释学习框架，通过结合小批量学习和迭代规则学习的方法，实现了分类规则的合成。实验结果表明，IMLI 在预测准确性、可解释性和可伸缩性之间取得了最好的平衡，并用于学习流行的可解释分类器，如决策列表和决策集。

May, 2022