用一种基于布尔分类器生成的方法，从表格数据中计算出既能直接理解，又准确的分类器。通过先将原始数据离散化为布尔形式，然后结合特征选择和一个非常快速的算法来生成最佳的布尔分类器。在 14 个实验中展示了该方法，其结果的准确性主要与随机森林、XGBoost 和文献中相同数据集的现有结果相似。在几种情况下，尽管我们研究的主要目标是分类器的直接可解释性，但我们的方法实际上超越了参考结果的准确性。我们还证明了从现实数据中获取的分类器与数据背景分布下理想的最佳分类器相对应的概率的一个新结果。

Feb, 2024

本研究提出并实现了一种基于表达式布尔公式的可解释人工智能分类模型，适用于信用评分和医学诊断等领域，该分类器使用原生本地优化技术进行训练。

Jun, 2023

本文研究了布尔分类器的计算可懂性，证明了在解释查询和验证查询方面，决策树与其他分类器存在明显的可懂性差距。

Apr, 2021

本文提出了基于概念挖掘和基于量化论证的模型（CAM），通过获得人类可理解的概念及其关系，进行知识表征和推理，从而提供一种透明、可解释的模型，该模型具有与人类理解相一致的知识，能够与其他最先进的模型取得竞争结果。

Aug, 2022

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

利用结构化表格和时间序列生理数据实现了创伤性脑损伤 (TBI) 的短期和长期预测模型，使用六种不同的解释技术分析了局部和全局的预测模型，并对每种方法的优缺点进行了比较，发现 SHAP 是最稳定的，且保真度最高，但理解度低。

Aug, 2022

本文提出了一种交互式叠加方法，该方法利用机器学习模型的预测能力，同时允许用户指定决策边界的修改，从而实现在不需要重新训练模型的情况下对决策系统进行实时修改，并展示了用户反馈规则可以与机器学习预测结合以支持更少数据的学习。

Mar, 2022

本文提出了一种新的优化框架，用于学习准确且精简的两级布尔规则，通过线性规划松弛，块坐标下降和交替最小化等高效算法来更新优化函数，以实现准确性和可解释性之间的平衡。实验表明，我们的方法在准确性和可解释性之间提供了很好的权衡。

Jun, 2016

本文提出了一种方法来识别数据集的最大不同但准确的模型，实验证明，当数据支持多个准确分类器时，我们往往会恢复更简单，更易解释的分类器而不是更复杂的模型。

Jun, 2018

提出了一种透明的机器学习模型学习方法，使用用户的反馈来标记概念特征，从而生成透明的概念定义，以提高模型的可解释性和预测性能。

Dec, 2020