我们提出了一种新的分类器，命名为基于规则的表示学习器（RRL），它能够自动学习用于数据表示和分类的可解释的非模糊规则，并通过连续空间和梯度移植来优化离散模型，同时设计了逻辑激活函数以提高可扩展性和连续特征离散化。与竞争的可解释方法相比，RRL 在小型和大型数据集上有更好的性能，并且可以根据不同场景的需求方便地调整分类准确性和模型复杂性的权衡。

Oct, 2023

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

本文提出了一种新的优化框架，用于学习准确且精简的两级布尔规则，通过线性规划松弛，块坐标下降和交替最小化等高效算法来更新优化函数，以实现准确性和可解释性之间的平衡。实验表明，我们的方法在准确性和可解释性之间提供了很好的权衡。

Jun, 2016

本文研究了二进制和连续的负边缘感知器作为学习随机规则和关联的简单非凸神经网络模型，并探讨了两种模型解决方案的几何学特征。结果发现，即使在高度非约束的情况下，存在大量的极宽、极平的最小值，这有助于提高学习器的泛化性能。

Apr, 2023

本研究探讨利用 DNNs 和 LRP 应用于 EEG 数据分析，发现 DNNs 在分类准确性上具有可比性，并且通过 LRP 的热图，可以提供神经活动高分辨率的评估，这是 DNN 在神经科学应用中被限制使用的可解释性不足的潜在解决方案。

Apr, 2016

本文研究了概率逻辑编程，扩展了支持离散和连续随机变量，并引入了新的采样算法和混合模型，解决了从带有缺失值和概率背景知识的关系数据中学习 PLP 的问题。

Feb, 2023

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

提出可解释的 Deep Concept Reasoner（DCR）模型，通过对概念嵌入的语义逻辑规则构建实现任务预测，从而在解释过程中提高了模型的可靠性和人类可信度。

Apr, 2023

这篇论文提出了一种深度学习和逻辑规则相结合的通用框架，能够将逻辑规则的结构信息转移至神经网络的权重中，有效地提高了 CNN 和 RNN 的性能，适用于情感分析和命名实体识别等多个领域。

Mar, 2016

本文提出了一种基于 RRL 的内在可解释模型，其可对每个特征分成三类构建三个类似于神经网络的子网络，每个子网络均可等效转换为一组规则，并通过学习二进制权重的技巧有效地训练，相比可解释的决策树在性能上更优，接近于其他黑匣子，是对金融机构和借款人具有实际意义的。同时，本模型还用于测试后评方法生成的解释的准确性，结果表明后评方法不总是可靠的。

Apr, 2023