本文提出了自动规则归纳（ARI）框架，该框架可从小型标签数据的机器学习模型中提取符号规则，并使用注意力机制将这些规则整合到高容量的预训练变压器模型中，从而提高弱监督和半监督 NLP 算法的性能和可解释性，并通过对 9 个序列分类和关系提取任务的实验验证该框架的有效性。

May, 2022

模糊粗糙规则诱导（FRRI）是一种能够生成精确而又简短规则集的新型规则诱导算法，通过将模糊和粗糙集理论结合，提供了对机器学习中解释性问题的一种解决方案。

Mar, 2024

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

本文提出一种基于弱监督、自训练、规则注意力网络和半监督学习的框架（ASTRA），利用所有可用数据来进行深度学习任务的训练，证明其在文本分类上有显著优势。

Apr, 2021

本研究提出使用基于特征分片的算法来帮助机器学习模型的诊断和优化，使用 TOPSIS 方法来评估不同策略的绩效、稳定性和泛化能力。

May, 2023

该论文提出了一种利用机器学习和数据挖掘技术自动学习不变规则的新框架，可以提供明确的异常检测结果解释并在实际应用决策中发挥重要作用。实验评估表明，该方法在多个应用领域的公共基准数据集上的性能优于先前的异常检测模型。

Nov, 2022

本文提出了一种基于类比比例的特征选择方法，即将类似性和不同性在两个标签不同的特征对 (a, b) 和 (c, d) 之间的相对关系应用于 (c, d)，并介绍了基于此的 Analological Relevance Index（ARI）作为一种统计测试来判断一个特征在标签方面的显著性，该方法能有效地检测特征冗余。

Jan, 2023

本文研究使用伪标签微调自监督预训练模型的方法，提出通过平均概率分数过滤低质量的伪标签，挑选高可信性训练数据，迭代更新模型纠正不可靠的伪标签并去除噪声标签的策略，以提高语音识别性能。实验结果表明，该方法在 LibriSpeech 上具有良好表现。

Oct, 2022

本研究介绍了一种基于自然语言描述的图像增广方法（ALIA），通过大规模视觉模型与语言模型的结合，自动生成域名描述，实现对样本数据的增广。该算法有效提高了训练数据的多样性，经过测试在细粒度和复杂分类中表现良好。

May, 2023

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