Traditionelle neuronale Netzwerke haben eine beeindruckende Klassifikationsleistung, aber das, was sie lernen, kann nicht inspiziert, verifiziert oder extrahiert werden. Neuronale Logiknetzwerke hingegen haben eine interpretierbare Struktur, die es ihnen ermöglicht, einen logischen Mechanismus zu lernen, der die Eingaben und Ausgaben mit UND- und ODER-Operationen verknüpft. Wir verallgemeinern diese Netzwerke mit NICHT-Operationen und Verzerrungen, die unobservierte Daten berücksichtigen, und entwickeln eine rigorose logische und probabilistische Modellierung in Bezug auf Konzeptkombinationen, um ihre Verwendung zu motivieren. Außerdem schlagen wir eine neuartige faktorisierte WENN-DANN-Regelstruktur für das Modell sowie einen modifizierten Lernalgorithmus vor. Unser Ansatz verbessert den Stand der Technik bei der Entdeckung von Booleschen Netzwerken und ist in der Lage, relevante, interpretierbare Regeln in tabellarischer Klassifikation zu lernen, insbesondere anhand von Beispielen aus den medizinischen und industriellen Bereichen, in denen Interpretierbarkeit einen greifbaren Wert hat.
Perreault et al. (Mo,) haben diese Frage untersucht.