IMLI公司 swMATH ID: 41233 软件作者： Bishwamittra Ghosh，Kuldeep S.Meel 描述： IMLI：基于MaxSAT的可解释分类规则学习的增量框架。机器学习在医学诊断、法律、教育等关键领域的广泛应用，推动了对可解释技术的需求，因为最终用户需要理解学习系统导致的决策背后的推理。可解释学习在计算上的难处理性导致实践者设计启发式技术，这种技术不能很好地权衡准确性和可解释性。在过去十年中MaxSAT求解器取得成功的激励下，最近提出了一种基于MaxSAT的方法，称为MLIC，旨在将学习以连接范式（CNF）表示的可解释规则的问题简化为MaxSAT查询。虽然MLIC在生成小的可解释CNF公式的同时实现了与其他最先进的黑盒分类器类似的精度，但MLIC的运行时性能明显滞后，使得该方法在实践中无法使用。在这种情况下，作者提出了一个问题：是否有可能实现两个世界的最佳结果，即一个合理的可解释学习框架，该框架可以利用MaxSAT解算器，同时扩展到现实世界中的实例？在本文中，我们肯定地回答了上述问题。我们提出IMLI：一种基于MaxSAT框架的增量方法，通过基于分区的训练方法实现可伸缩的运行时性能。对UCI存储库中的基准测试进行的大量实验表明，IMLI在不损失准确性和可解释性的情况下实现了高达三个数量级的运行时改进。 主页： https://arxiv.org/abs/2001.01891 相关软件： MLIC公司;UCI-毫升;形状;ORL公司;第4.5条;Scikit公司;开放-WBO;深红色;开放多媒体程序库;PBLib（公共图书馆）;洛米卡;InfoGAN公司;FPIN编号;AlexNet公司;MurTree公司;github;PPINN公司;大Vis;GOSDT公司;克莱沃 引用于： 3文件 标准条款 1出版物描述软件，包括1出版物以zbMATH为单位 年份 有效学习可解释的分类规则。 Zbl 07596562号比什瓦米特拉·戈什;德米特里·马利奥托夫;Kuldeep S.梅尔。 2022 全部的 前5名13位作者引用 1 陈超凡 1 陈志 1 比什瓦米特拉·戈什 1 黄，哈扬 1 阿列克谢·伊格纳提耶夫（Alexey A.Ignatyev）。 1 皮埃尔·勒·博迪奇 1 德米特里·马利奥托夫。 1 Kuldeep S.梅尔。 1 辛西娅·鲁丁 1 莱西亚·塞梅诺娃 1 彼得·詹姆斯·斯塔基 1 于金强 1 钟楚迪 2篇连载文章中引用 2 人工智能研究杂志 1 统计调查 在2个字段中引用 三 计算机科学（68至XX） 1 统计学（62-XX） 按年份列出的引文