面向可扩展数据表示与分类的可解释规则学习

基于摘要分析。本文研究离散规则模型难以在大规模数据上优化的问题，提出 Rule-based Representation Learner（RRL），自动学习用于数据表示与分类的可解释非模糊规则，目标是在保持规则可解释性的同时提高可扩展性。 方法上，作者将不可微的 RRL 投影到连续空间，并提出 Gradient Grafting，使离散模型能够通过梯度下降进行优化；同时设计逻辑激活函数，以提高可扩展性并支持连续特征的端到端离散化。其与集成方法、模糊或软规则的主要区别，是以学习非模糊规则作为保持可解释性的路径。连续与离散计算之间的具体衔接、梯度构造及复杂度控制方式仍需正文核对。 作者报告，在十个小型和四个大型数据集上的实验中，RRL 优于有竞争力的可解释方法，并可调整分类准确率与模型复杂度之间的权衡。摘要未提供数据集名称、划分、具体基线或数值；实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，但实现与复现条件尚未核验。 平台推测（待验证）：若 EEG 已被转换为固定维度的试次级特征，RRL 的特征离散化与规则组合机制可能用于构造可检查的分类条件；原研究对象是通用数据表示与分类，并非 EEG 或 BCI。可复用部分是规则学习与离散优化机制，需改造或验证的是 EEG 特征提取、跨被试归一化及规则稳定性。低信噪比、通道差异和小样本可能使阈值与规则对被试或会话过拟合。一个可证伪的小实验是在同一组固定 EEG 特征和相同 Cross-subject 划分下，对照 RRL 与决策树，同时记录分类准确率、规则复杂度及跨被试规则稳定性。已有 EEG 相关工作尚未检索确认。