基于岭回归布尔规则感知预测的可解释人工智能模型研究

《Neurocomputing》：Explainable artificial intelligence with boolean rule-aware predictions in ridge regression models

本文提出了一种创新的可解释人工智能（XAI）方法RBBR，通过岭回归模型对特征组合（conjunctions）进行拟合，从回归系数符号中推导布尔规则集。该方法突破了传统黑箱模型（如DNNs）的 interpretability 瓶颈，在医疗诊断等关键决策场景中实现了预测精度与可解释性的平衡。其独特的贝叶斯信息准则（BIC）模型筛选机制和分层规则推导策略，为生命科学领域的复杂调控网络解析提供了新范式。

　　

布尔规则感知预测与岭回归

数据重缩放：RBBR可直接处理连续特征，无需二值化处理。这一点至关重要，因为二值化过程依赖阈值选择且常导致信息丢失，特别是当连续值包含有意义的变异时。相比之下，许多现有方法（例如基于决策树或其他布尔规则推断技术）通常依赖二值化输入[30, 31]，这可能无法捕捉连续数据的全部信息。

单层模型的布尔规则推断

通过将RBBR的性能与Loregic [46]在推断布尔规则方面进行比较来评估RBBR。我们合成了具有两个输入特征（$X1$ 和 $X2$）的数据点，这些特征从均匀分布中采样，范围在区间$0,1$内。目标类别是基于各种布尔规则生成的，这些规则作为真实情况。例如，当基于$XOR$规则合成数据时，每个数据点的目标类别计算为$Y=XOR(X1,X2)$。我们从16种可能的布尔规则中随机抽取了10,000条规则。

讨论

在这项工作中，我们介绍了RBBR作为一种引人入胜的基于回归的布尔规则推断模型。与最近采用具有预定义结构的多层神经网络来学习简单布尔规则（如XOR）的研究进展[49]不同，我们通过将岭回归模型拟合到特征组合上来实现这一目标。值得注意的是，我们证明了通过拟合单个回归方程或单个感知器模型，可以学习XNOR和XOR等布尔规则。在我们的模型中，... （此处原文内容不完整，根据要求翻译到第二个Conclusion前，但原文中第二个Conclusion部分未在提供文本中明确出现，故以当前段落结束。如需要继续翻译后续章节请提供完整文本）。