在当今的人工智能研究中，基于 IF-THEN 规则表示的学习系统因其可解释性而备受关注。此类规则集的关键目标是实现高区分能力与可解释性。尽管现有的最先进算法通常优先考虑预测准确性，但在覆盖率和简约性等确保可解释性的质量指标上常常表现不佳。为此，本文提出了 CDPR 方法，旨在为分类问题创建高准确性和可解释性的规则集。我们首次尝试建立这种方法。本研究中引入了两种基于亚次模最大化的算法，不仅在覆盖率上提供了可证明的保证，还生成了具有区分性和简约性的规则集。我们通过实验证明，与下一个最佳算法相比，我们的方法学习到的规则集在准确性和可解释性上表现更优，且平均覆盖率提高了超过 2.5 倍。
博主点评： 本文提出的 CDPR 方法在可解释性与准确性之间找到了良好的平衡，尤其在覆盖率方面的显著提升，展示了新算法的潜力。这为基于规则的学习系统提供了新的思路，值得进一步研究与应用。