Sep, 2023

基于神经网络的带真值表的规则模型

PDF
TL;DR通过结合基于规则的模型的全局和精确可解释性属性与深度神经网络的高性能，提出了一种名为 Truth Table rules (TT-rules) 的神经网络框架，可将神经网络有效转化为基于规则的模型，并在保持性能和复杂性平衡的同时，实现对大型表格数据集的适配。
machine learningdeep learninginterpretabilityneural networkrule-based model
发现论文，激发创造
  • 基于可解释性神经网络的医疗决策规则模型

    通过提出神经网络框架 Truth Table rules (TT-rules)，将规则模型的全局和精确可解释性与深度神经网络的高性能相结合，将神经网络转化为基于规则的模型，该模型在医疗应用中表现出与其他可解释方法相当或更高的性能。

    Sep, 2023

  • 基于真值表的可扩展、可解释、可验证、可微分逻辑门卷积神经网络结构

    本论文提出了一种名为 Truth-Table Net（TTNet）的卷积神经网络结构，该结构通过设计解决了可解释性、形式验证和逻辑门转换等难题，并在多个数据集上显示出与决策树可比的可解释性、快速完整合规验证和可扩展的逻辑门表示。

    Aug, 2022

  • 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

  • 从神经网络中提取规则列表的 NN2Rules 方法

    本文介绍了一种名为 NN2Rules 的算法，用于将经过训练的神经网络转换成规则列表。通过该方法提取的决策规则与神经元行为类型（如 sigmoid 激活函数或 ReLU 函数）无关，且提取出的规则对任意输入都有与原神经网络相同的预测准确性。

    Jul, 2022

  • 利用逻辑规则开发深度神经网络

    这篇论文提出了一种深度学习和逻辑规则相结合的通用框架，能够将逻辑规则的结构信息转移至神经网络的权重中，有效地提高了 CNN 和 RNN 的性能，适用于情感分析和命名实体识别等多个领域。

    Mar, 2016

  • 深度神经决策树

    本研究提出了 Deep Neural Decision Trees（DNDT）—— 由神经网络实现的树模型，可以用于处理表格数据，DNDT 具有自解释性和自剪枝功能。

    Jun, 2018

  • 使用规则表示控制神经网络

    本文提出了一种新的深度学习训练方法，将规则集成到深度学习中，使规则的优势在推理过程中是可控的。DeepCTRL 不需要重新训练以适应规则强度 - 在推理过程中，用户可以根据所需的准确率和规则验证比来调整它。在实际应用中，DeepCTRL 可以提高模型的可信度和可靠性，并在下游任务中提供准确性提高。

    Jun, 2021

  • 表格数据：关注力是您所需的全部吗？

    通过对大规模的实证研究，本文发现神经网络在结构化表格数据上与决策树具有竞争力，而基于变压器的架构在表格数据集上并不能超过传统 MLP 架构的简化版本。这些发现有助于研究和实践社区在未来的表格数据应用中做出明智的选择。

    Feb, 2024

  • 可解释的图神经网络用于表格数据

    IGNNet 是一个解释性图神经网络，用于处理表格数据，通过表征学习的方式捕获特征交互，大规模的实证研究证明 IGNNet 与 XGBoost、Random Forests 和 TabNet 等最先进的机器学习算法在处理表格数据时表现相当，同时 IGNNet 的解释与特征的 Shapley 值一致而无需额外的计算开销。

    Aug, 2023

  • 循环神经网络中规则抽取的实证评估

    研究从训练过的 RNN 中提取规则的方法，结果表明在适当的情况下生产规则的效果优于训练过的 RNN。

    Sep, 2017