决策树和决策规则系统在分类器、知识表示工具和算法方面发挥重要作用。本文研究了这两个模型之间的关系，考虑了将决策树转换为决策规则系统的逆转换问题，并提出了一种基于贪婪多项式时间算法，在给定属性值元组上模拟决策树操作的方法。

Jan, 2024

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

本文提出一种新颖的演化算法，结合可行解空间的探索和局部搜索，用于归纳分类树，以达到具有一般化能力的结构，其表现与最先进的方法相当，并适用于包含成千上万数据点的数据集。

May, 2023

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

决策树具有易于解释的优点，因为它们允许根据 if-then 规则对输入数据进行分类。然而，决策树是由算法构建的，该算法在达到清晰分类的同时使用最少的必要规则，因此，即使数据中存在各种潜在规则，树也只提取最少规则。为了解决这个问题，本文提出了 “MAABO-MT” 和 “GS-MRM” 算法，它们分别在具有小计算复杂性的所有可能树中构建具有高估计性能的树，以及仅提取可靠且不相似的规则。通过使用几个开源数据集进行实验分析，结果证实了 MAABO-MT 以较低的计算代价发现可靠规则，比其他依赖随机性的方法更为有效。此外，所提出的方法被证实在深入挖掘相比之前常用的单一决策树的研究中提供更深入的见解。因此，MAABO-MT 和 GS-MRM 能够高效地从组合爆炸的决策树中提取规则。

Oct, 2023

本文提出了一种基于决策树分类器的迭代方法来提取高密度的、可 解释的同一类别数据集群，并讨论了最大化识别群组质量的节点选择方法。

Jul, 2023

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

本文针对数字代理支持关键决策的应用难以获得信任这一难题，提出了基于规则学习的系统并设计透明易懂的模型，其中规则条件和问题解决方案的组成是分开演化的，允许用户特别定制模型以适应可解释性的要求。

Feb, 2022

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

本文将神经网络决策解释为速率失真框架下的显式优化问题，并探讨了寻找小的相关特征集的计算复杂性，发展了一种基于密度过滤的启发式解决策略，并在两个图像分类数据集上进行了数字实验，特别是在神经网络决策的稀疏解释方面，优于现有方法。

May, 2019