TT-Sparse：新的神经网络模块学习可解释的布尔规则

研究人员开发了 TT-Sparse，这是一种新颖的神经网络构建模块，旨在提高机器学习的可解释性。该方法利用可微分真值表来学习稀疏连接，从而能够提取紧凑且全局可解释的布尔公式。TT-Sparse 包含一个软 TopK 运算符用于离散特征选择，确保了高效的计算和精确的符号规则提取。在 28 个不同数据集上的实证结果表明，与现有的最先进方法相比，TT-Sparse 在降低复杂性的同时实现了卓越的预测性能。 AI

影响 通过从神经网络中提取精确的符号规则，增强了高风险人工智能应用的可解释性。

排序理由 该集群包含一篇研究论文，详细介绍了一种学习可解释机器学习模型的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• Gotit.pub
• Hans Farrell Soegeng
• Hugging Face
• IArxiv
• Quine–McCluskey algorithm
• ScienceCast
• TT-Sparse

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →