AAAIJan, 2020

IMLI: 基于 MaxSAT 的可解释分类规则的增量学习框架

PDF
TL;DR本文提出了 IMLI: 一种基于 MaxSAT 的增量学习方法，通过基于分区的训练方法，实现可扩展的运行时性能，从而在不损失准确性和可解释性的情况下，能够利用 MaxSAT 求解器并处理来自 UCI 存储库的基准测试数据。
interpretable learningmaxsat solversruntime performancecnf formulaspartition-based training
发现论文，激发创造
  • MLIC: 一种基于 MaxSAT 的学习可解释分类规则的框架

    该论文介绍了一个名为 MLIC 的 MaxSAT 框架，用于搜索适用于命题逻辑的可解释分类规则，并演示了它在解决包含数万个示例和数千个特征的大型分类问题方面的有效性和可调节的准确性与可解释性之间的平衡。

    Dec, 2018

  • 一种基于增量最大可满足性问题的平衡规则学习模型

    提出了一种基于 MaxSAT 的增量学习可解释和平衡规则的模型 IMLIB，并通过与 IMLI 在多个数据库上的比较表明，IMLIB 在准确性上与 IMLI 相当，生成尺寸更小且更平衡的规则。

    Mar, 2024

  • 可解释分类规则的高效学习

    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

  • 基于归纳逻辑编程的一次性学习用于文本分类的研究

    通过研究推断逻辑编程方法以及利用概念网络中提取的常识背景知识，本文探讨了一种一次性文本分类的机器学习技术，结果表明可以通过少量训练样例来学习文本分类规则，并且选择的样例复杂度越高，结果的准确性越高。

    Aug, 2023

  • 通过修剪和尽最大努力优化提高归纳逻辑编程的可扩展性

    本文介绍了 Inductive Logic Programming (ILP) 技术，探讨了基于 Answer Set Programming 的 XHAIL 算法扩展，研究表明这种方法在自然语言处理的词块切分任务上达到了类似于现有最先进算法的效果。

    Jun, 2017

  • 基于 SVM 模型的白盒归纳：通过逻辑编程实现可解释的 AI

    本文研究如何使用 SHAP 等解释 AI 工具代替固定的假设搜索空间来进行归纳逻辑程序的学习，通过替换数据依赖的山地爬行搜索法以获得更精确和全面的 SVM 模型，从而生成比 FOIL 算法更好的分类结果和逻辑程序，为机器学习领域的算法研究和应用提供了新的思路。

    Aug, 2020

  • 针对可解释性人工智能（XAI）的符号 AI：评估 LFIT 归纳编程在公平和可解释自动招聘中的应用

    本文介绍了一种将归纳逻辑编程 (ILP) 技术应用于机器学习的通用方法，通过在自动工具中集成确定的解释，来实现公平招聘，并展示了对于特定问题而言，支持这种方法的表现力。

    Dec, 2020

  • 使用 MaxSAT 优化二进制决策图以进行分类

    本文提出了基于 SAT 的方法学习最优二元决策图（BDD），以更好地实现可解释的机器学习模型，并给出了一种整合兼容子树的方法，该方法与现有方法相比在预测质量和可解释性方面具有明显的优势。

    Mar, 2022

  • 语义交互学习用于文本分类：一种基于上下文交互的构建方法

    本文提出了一个基于语义学习的交互框架，将人类提供的构建性和上下文反馈融入到机器的学习过程中，提出了一种称为 SemanticPush 的技术，该技术能够有效地为机器推理向期望的行为进行人类概念修正的转化。我们在多分类任务中展示了基于语义学习的交互框架明显优于现有的 IML 策略 CAIPI，表现出更好的预测性能以及更好的局部解释质量。

    Sep, 2022

  • 基于 MDL 的规则列表的可解释多分类

    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