Globally Interpretable Classifiers via Boolean Formulas with Dynamic Propositions

可解释性和可解释性是现代人工智能面临的最重要的挑战之一，甚至在各种立法来源中都被提到。在本文中，我们开发了一种从表格数据中提取人类可解释分类器的方法。分类器采用短布尔公式的形式，其中命题可以直接从分类属性中提取，也可以从数值属性中动态计算。我们使用Answer Set Programming实现了这种方法。我们研究了七个数据集，并将我们的结果与用于表格数据的最先进分类器（即XGBoost和随机森林）获得的结果进行了比较。在所有数据集上，我们方法获得的准确度与参考方法相似。我们分类器的优势在于它们非常简短，可以立即被人类理解，而不像参考方法那样是黑盒子的。

提取可解释的分类器

使用ASP从表格数据中提取短的布尔公式作为分类器，这些公式可以直接从分类属性中提取或从数值属性中动态计算得到。

论文使用七个数据集进行实验，并将结果与XGBoost和随机森林等现有分类器进行比较。结果表明，我们的方法在准确性方面与参考方法相似，但我们的分类器非常简短且易于理解。

当前还没有太多相关研究，但是与表格数据相关的分类器研究一直是人工智能领域的热门话题。