从原始序列输入中进行可微分规则归纳

基于规则的学习模型因其透明结构被广泛应用于高度可解释的场景。归纳逻辑编程（ILP）是一种机器学习形式，能够从事实中归纳出规则并保持可解释性。可微分ILP模型通过利用神经网络增强了这一过程，提高了鲁棒性和可扩展性。然而，大多数可微分ILP方法依赖于符号数据集，在直接从原始数据学习时面临挑战，尤其是显式标签泄露问题：即无法在没有输入特征标签显式监督的情况下将连续输入映射到符号变量。本文通过将自监督可微分聚类模型与一种新颖的可微分ILP模型相结合，解决了这一问题，实现了无需显式标签泄露即可从原始数据中学习规则。所学规则能够通过其特征有效描述原始数据。我们展示了该方法能够直观且精确地从时间序列和图像数据中学习通用规则。