基于神经网络的序列数据分类规则学习

ICLRFeb, 2023

基于神经网络的序列数据分类规则学习

Neural-based classification rule learning for sequential data

Marine Collery, Philippe Bonnard, François Fages, Remy Kusters

TL;DR本文提出了一种新颖的可微分全可解释性方法，用于发现规则为基础的二元分类的本地和全局模式，并在开源肽数据集上展示了方法的有效性和实用性。

Abstract

Discovering interpretable patterns for classification of sequential data is of key importance for a variety of fields, ranging from genomics to fraud detection or more generally interpretable decision-making. In this paper, we propose a novel differentiable fully interpretable method t

interpretable patterns sequential data classification binary neural network training strategy temporal dependency

发现论文，激发创造

从神经网络中学习准确且可解释的决策规则集

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

通过高效神经搜索发现可解释的类别特定模式

通过提取差异模式的数据中的 DIFFNAPS，我们提出了一种新颖的、固有可解释的二进制神经网络架构，该架构能够处理大规模应用中的差异模式，显示出准确、简明和可解释的类别描述。

Dec, 2023

可解释的序列分类：离散优化方法

本文提出了一种基于有限状态自动机的序列分类器，能够支持更早的分类并具有解释性和强大的实证表现。它具有可比较于 LSTM 的测试性能并具有可解释性的优点。

Oct, 2020

可解释的神经预测与可微分的二元变量

通过两个神经网络模型（一个潜在模型选择基本元素和一个分类器学习基本元素），使文本分类器更易解释并提供解释。通过混合离散和连续的交互方式，在不使用 REINFORCE 的情况下，实现了提取基本元素。

May, 2019

基于规则特征和知识引导的卷积神经网络临床文本分类

本文提出一种新方法，将基于规则和基于知识引导的深度学习技术相结合，应用在医学自然语言处理中，以实现疾病分类，该方法包括识别触发短语、使用触发短语预测类别和使用词嵌入和 UMLS 实体嵌入来训练卷积神经网络，实验结果表明该方法优于现有技术水平。

Jul, 2018

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

基于注意力机制的时间序列预测的模块化神经网络：可解释性和特征选择

一篇研究时间序列的多变量预测的可解释神经网络模型，通过循环神经网络学习数据的时间依赖性，配合基于注意力的特征选择组件来选择最相关和抑制冗余的特征，通过独立训练选定特征的模块化深度网络，展示特征对结果的影响，从而使模型可解释。实验结果表明，该方法在时间序列的回归和分类任务中优于现有的可解释神经加性模型（NAM）及其变体，且达到与时间序列的非可解释方法 LSTM 和 XGBoost 相媲美的预测性能。

Nov, 2023

可解释的时间序列神经表示用于分类目的

该研究提出了一种满足可解释性要求的无监督神经表示方法，该方法在分类任务中比其他可解释方法表现更好，并且在多个数据集上得到了验证。

Oct, 2023

神经文本分类的分层解释

本文提出了一种新的 Hierarchical INTerpretable 神经文本分类器 Hint，它可以自动生成按标签关联的话题的模型预测解释，实验结果表明 Hint 方法在文本分类方面不仅与现有的最先进的文本分类器相当，而且生成的解释比其他可解释的神经文本分类器更符合模型预测，并且更易于被人类理解。

Feb, 2022

学习可解释规则的可扩展数据表示和分类

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