本文提出了一个名为 RuDi 的两阶段方法，能够将黑箱模型中的知识提炼为基于规则的模型。 RuDi 的第一阶段是使用基于蒙特卡罗树搜索 (Monte Carlo tree search-based) 的统计方法生成规则，第二阶段是使用提出的神经逻辑网络将统计数据组合成逻辑规则。本文还在三个公共数据集和一个工业数据集上评估了 RuDi 的有效性。

Aug, 2022

介绍了 IDPD3 库，作为一种 visualisations 工具， 用于知识库系统中逻辑理论和交互式模拟的可视化和解释。

Nov, 2015

糖尿病性视网膜病变（DR）是全球致盲的重要原因，早期检测和有效治疗的迫切需求引起了关注。研究中提出了一种针对 DR 检测的新型半监督图学习（SSGL）算法，充分利用标记和未标记数据之间的关系以提高准确性。该研究通过研究数据增强和预处理技术来解决图像质量和特征变化的挑战，并探索了图像裁剪、调整大小、对比度调整、归一化和数据增强等技术来优化特征提取和改善视网膜图像的整体质量。此外，除了检测和诊断，本研究还深入研究了将机器学习算法应用于预测 DR 发展的风险或疾病进展的可能性。使用包含人口信息、病史和视网膜图像的全面患者数据生成个体化风险评分。该提出的半监督图学习算法在两个公开数据集上进行了严格评估，并与现有方法进行了基准测试。结果表明，在分类准确性、特异性和灵敏度方面取得了显著的改进，同时表现出对噪声和异常值的鲁棒性。值得注意的是，该算法解决了医学图像分析中常见的不平衡数据集的挑战，进一步增强了其实际适用性。

Sep, 2023

本文介绍了 R5，一种基于强化学习的关系推理框架，可以在关系图数据上推理，从观察结果中明确挖掘成分逻辑规则，具有强大的系统性和稳健性，实验结果表明 R5 在关系预测任务中优于各种基于嵌入和规则归纳的基线，并在发现基本事实规则时达到高召回率。

May, 2022

本文提出 DRUM 方法，使用双向 RNNs 挖掘知识图谱中的一阶逻辑规则，以实现归纳和可解释的链路预测，并与现有规则挖掘方法进行实证研究.

Oct, 2019

本文介绍一种自动化的 GUI 原型设计方法，通过检测、分类和组装实现准确地从 GUI 设计稿生成代码，该方法利用计算机视觉技术、自动化动态分析和深度卷积神经网络来对组件进行分类，并使用基于数据的 K 最近邻算法生成适当的分层 GUI 结构。在 Android 平台上实现了该方法的系统 ReDraw，并取得了评估成果，ReDraw 实现的平均 GUI 组件分类准确率为 91％，组装的原型应用程序的视觉外观与目标 GUI 设计稿非常相似，同时展现合理的代码结构，多位工业从业人员的访谈表明 ReDraw 能够改善真实的开发流程。

Feb, 2018

介绍了一种将稀疏字典学习和深度强化学习结合起来的 SINDy-RL 框架，用于创建高效、可解释和可信赖的动力学模型、奖励函数和控制策略，并通过在基准控制环境和复杂流体问题上的实验表明其有效性。

Mar, 2024

提出了一种编程可解释性强的强化学习框架 (PIRL)，使用高级领域特定编程语言表示策略，提出了基于神经网络生成的策略的可验证和可解释的替代方案，用基于神经网络的 NDPS 算法来优化 PIRL 策略，这种策略较容易被解释和验证，实验结果证明，与传统的深度强化学习相比，PIRL 策略的轨迹更平滑易于迁移。

Apr, 2018

本文提出了一种可解释的和可解释的基于神经符号学习的糖尿病性视网膜病变（ExplainDR）分类模型，其中对决策制定应考虑高层符号表示以获得可解释性。特别是，我们介绍了人类可读的符号表示，该表示遵循与眼部健康相关的糖尿病性视网膜病变特征的分类法样式以实现解释性。我们随后将从符号表示获取的人类可读特征包括在疾病预测中。对糖尿病性视网膜病变分类数据集的实验结果表明，与应用于 IDRiD 数据集的最先进方法相比，我们提出的 ExplainDR 方法表现出有希望的性能，同时提供解释性和可解释性。

Apr, 2022

本文提出了一种新的知识蒸馏框架，DE-RRD，用于推荐系统，该框架使得学生模型能够从教师模型中编码的潜在知识和教师的预测中学习。实验证明，DE-RRD 的性能优于现有的竞争对手，并且具有更快的推断时间。

Dec, 2020