提出一种从表格数据中提取可立即解释的人类可理解分类器的方法，并使用 Answer Set Programming 实现，其优点是分类器长度短且容易理解，与参考方法相比准确度相近。

Jun, 2024

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

用一种基于布尔分类器生成的方法，从表格数据中计算出既能直接理解，又准确的分类器。通过先将原始数据离散化为布尔形式，然后结合特征选择和一个非常快速的算法来生成最佳的布尔分类器。在 14 个实验中展示了该方法，其结果的准确性主要与随机森林、XGBoost 和文献中相同数据集的现有结果相似。在几种情况下，尽管我们研究的主要目标是分类器的直接可解释性，但我们的方法实际上超越了参考结果的准确性。我们还证明了从现实数据中获取的分类器与数据背景分布下理想的最佳分类器相对应的概率的一个新结果。

Feb, 2024

论文解决了决策树上计算 δ 足够原因的计算复杂度，发现在包含方式和大小方面都不具有多项式时间算法，但在确定性情况下具有易于计算的特点。

Jun, 2022

探索实用于广泛使用的决策树、朴素贝叶斯分类器和命题语言的几个家族更好地计算超过给定阈值的目标类的相关集，证实了这些类别的相对简洁的相关特征集可以很容易地获得。

Dec, 2022

我们的研究提出了解释决策树的符号化语言 ExplainDT，它基于我们称之为 StratiFOILed 的一阶逻辑构建的精心构造的片段。StratiFOILed 在表达能力和评估复杂度上保持平衡，能够计算许多事后解释，包括局部解释（例如归纳和对比解释）和全局解释（例如特征相关性），同时仍处于布尔 NP 层次结构之上。此外，StratiFOILed 查询可以写成 NP 问题的布尔组合，因此我们可以通过调用一次 SAT 求解器对其进行实际评估。在理论方面，我们的主要贡献是对 StratiFOILed 的表达能力和评估复杂度进行深入分析；在实践方面，我们提供了一种对 StratiFOILed 查询进行编码的优化实现，并对其效率进行了实验研究。

Oct, 2023

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

通过利用人们提出 “为什么这个输出（事实），而不是那个输出（替代品）？” 这个问题的倾向，使用本方法利用局部训练的决策树来识别导致树将数据点分类为替代品而不是事实的不相交规则集，从而减少要素数量。

Jun, 2018

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