Mar, 2024

一种基于增量最大可满足性问题的平衡规则学习模型

PDF
TL;DR提出了一种基于 MaxSAT 的增量学习可解释和平衡规则的模型 IMLIB，并通过与 IMLI 在多个数据库上的比较表明，IMLIB 在准确性上与 IMLI 相当，生成尺寸更小且更平衡的规则。
machine learninginterpretable modelsclassification rulesimlibmaxsat
发现论文，激发创造
  • IMLI: 基于 MaxSAT 的可解释分类规则的增量学习框架

    本文提出了 IMLI: 一种基于 MaxSAT 的增量学习方法，通过基于分区的训练方法，实现可扩展的运行时性能，从而在不损失准确性和可解释性的情况下，能够利用 MaxSAT 求解器并处理来自 UCI 存储库的基准测试数据。

    Jan, 2020

  • 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

  • MLIC: 一种基于 MaxSAT 的学习可解释分类规则的框架

    该论文介绍了一个名为 MLIC 的 MaxSAT 框架，用于搜索适用于命题逻辑的可解释分类规则，并演示了它在解决包含数万个示例和数千个特征的大型分类问题方面的有效性和可调节的准确性与可解释性之间的平衡。

    Dec, 2018

  • 使用 MaxSAT 优化二进制决策图以进行分类

    本文提出了基于 SAT 的方法学习最优二元决策图（BDD），以更好地实现可解释的机器学习模型，并给出了一种整合兼容子树的方法，该方法与现有方法相比在预测质量和可解释性方面具有明显的优势。

    Mar, 2022

  • 使用 SATNet 学习可靠的逻辑规则

    通过可区分性学习生成可解释和可验证的逻辑规则，该方法通过最大可满足性求解器（SATNet）学习可解释的逻辑规则，并引入验证技术进行验证，从而实现了逻辑推理和深度学习的交互。

    Oct, 2023

  • 多样化的规则集

    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

  • 多类分类的学习最优公平评分系统

    使用混合整数线性规划技术，我们提出了一种可解释的，具有稀疏性和公平性约束的多类别分类评分系统，扩展了 Rudin 和 Ustun 提出的适用于二元分类的 SLIM 框架。

    Apr, 2023

  • 神经符号层次规则归纳

    提出一种高效、可解释的神经符号模型来解决归纳逻辑编程问题，并通过实验验证其性能。

    Dec, 2021

  • 基于 MDL 的规则列表的可解释多分类

    本文介绍了一种基于概率规则列表和最小描述长度原则的模型选择方法，该方法可以在减小模型复杂度与保持良好拟合度之间进行折衷。同时，介绍了 Classy 算法，该算法针对多类别分类问题，选择小的概率规则列表，实现了良好的性能和可解释性。

    May, 2019

  • 基于 SVM 模型的白盒归纳：通过逻辑编程实现可解释的 AI

    本文研究如何使用 SHAP 等解释 AI 工具代替固定的假设搜索空间来进行归纳逻辑程序的学习，通过替换数据依赖的山地爬行搜索法以获得更精确和全面的 SVM 模型，从而生成比 FOIL 算法更好的分类结果和逻辑程序，为机器学习领域的算法研究和应用提供了新的思路。

    Aug, 2020