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

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

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

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

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

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

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

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

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