模糊粗糙规则诱导（FRRI）是一种能够生成精确而又简短规则集的新型规则诱导算法，通过将模糊和粗糙集理论结合，提供了对机器学习中解释性问题的一种解决方案。

Mar, 2024

通过基于规则的技术提出一种系统级调试加速的原因分析流程，使用多项测试的日志提取工程特征和数据分析技术生成高质量的调试提示，以 Power Management (PM) 设计功能 Package-C8 的故障排除为案例研究并展示了它们的有效性，还提出了一种挖掘原因分析经验和结果以加速未来调试活动并减少验证专家依赖的方法，我们相信这些技术对于复杂的硬件、软件和固件系统，以及不同抽象层次的验证活动，无论是硅前还是硅后，都是有益的。

Jul, 2022

该论文提出了 FIRE (快速可解释规则提取) 算法，通过优化框架从树集成模型中提取出易于理解的、稀疏的代表性决策规则集合，同时鼓励规则融合以提高模型可解释性，算法通过特殊优化器可实现 40 倍于现有优化器的性能。实验表明，该方法在构建稀疏规则集方面优于现有算法，并能提供比现有方法更可解释的模型。

Jun, 2023

自动过滤通过次模的目标函数由大量自动生成的规则组成的规则集，该算法在弱监督下实现了更优越的性能，并且相对现有的规则过滤方法取得了显著的结果。

Feb, 2024

提出了一种基于特征丰富性的有效秩增强方法（RFR），旨在提高前向兼容性，该方法通过在基础会话期间增加表示的有效秩，从而便于将更多信息丰富的特征纳入未见过的新任务中，并验证方法的有效性和性能改进。

Mar, 2024

该研究论文介绍了无导数优化算法的框架及分类导数优化算法，通过引入假设目标破碎率的概念，重新审视了该类算法的计算复杂性上界，并提出了一种名为 “RACE-CARS” 的算法，相较于 “SRACOS”（Hu 等人，2017），增加了随机区域缩小步骤。通过在合成函数和黑盒调优的实验中证明了 “RACE-CARS” 的效率，并进行了关于引入的超参数的消融实验，揭示了 “RACE-CARS” 的机制并提出了一种经验超参数调优指导。

Sep, 2023

此篇论文提出了一种基于粗糙集的数据挖掘方法，实现了特征选择、分类和知识表示，通过相对重要性提出了粗糙集的效率和准确性，为知识表示和分类提出了粗糙概念树。实验结果表明，该框架比七种流行的或最新的特征选择方法具有更高的准确性。

Dec, 2021

在可解释人工智能（Explainable AI）中，我们提出了一种模型无关的方法，用于从特定的数据子组中提取规则。该方法通过自动生成数字特征规则，增强了机器学习模型的区域可解释性，并在高维空间中降低了计算成本。在各种数据集和模型的实验中，我们的方法表现出了很好的效果。

Jun, 2024

本文提出了一种基于粗集理论的规则一般性诱导方法（Rule General Abductive Learning by Rough Set，RS-ABL），用于解决信息系统中知识处理中的知识获取、纠错、减少、生成和协同处理等问题，并在解决半监督任务时具有更高的准确性。

May, 2023

本文提出了一种降低描述逻辑推理器调用次数的概念归纳算法，从而提高执行时间，尤其在其他系统速度过慢的情况下，可作为现有系统的有效替代方案，同时在许多情况下，正确率仍然很高。

Dec, 2018