文章图片

图 7：RRL 在 bank-marketing 数据集上学到的部分规则 。

文章图片

图 8：RRL 在 fashion-mnist 图像数据集上学到的规则的可视化 。
总结
论文提出了一种新的可扩展分类器 ， 规则表征学习器（RRL） 。 RRL 能够通过自动学习可解释的非模糊规则进行数据表征和分类 。 得益于自身的模型结构设计、梯度嫁接法以及改进版逻辑激活函数的使用 ， RRL 不仅有着较强的可扩展性 ， 还能在模型复杂度较低的前提下获得较好的分类效果 。
RRL 的提出 ， 不仅使得可解释规则模型能够适用于更大的数据规模和更广的应用场景 ， 还为从业人员提供了一个更好的在模型复杂度和分类效果之间权衡的方式 。 在未来工作中 ， 把 RRL 拓展到非结构化数据上 ， 如图像和文本等 ， 从而提升此类数据模型的可解释性 。