基于表格数据的神经符号关联规则挖掘
人工智能
2026-01-01 v5 机器学习
摘要
关联规则挖掘（ARM）是从数据特征中挖掘以逻辑规则形式表示的模式之间的关联，广泛应用于诸多领域。然而，高维数据集常常会导致规则数量激增，增加执行时间并负面影响下游任务性能。管理规则爆炸是 ARM 研究中的核心挑战之一。为此，我们引入了 Aerial+，一种新型神经符号 ARM 方法。Aerial+ 利用准完整自编码器创建数据的神经表示，捕捉特征之间的关联。通过利用模型的重构机制从神经表示中提取规则。对五个数据集进行的广泛评估显示，与七个基线方法相比，Aerial+ 通过学习更简洁、高质量的规则集（并实现完整数据覆盖）实现了领先的结果。当集成到基于规则的可解释机器学习模型中时，Aerial+ 可显著减少执行时间，同时保持或提高准确率。
引用
@article{arxiv.2504.19354,
title = {Neurosymbolic Association Rule Mining from Tabular Data},
author = {Erkan Karabulut and Paul Groth and Victoria Degeler},
journal= {arXiv preprint arXiv:2504.19354},
year = {2026}
}
备注
This paper has been accepted and presented at the 19th International Conference on Neurosymbolic Learning and Reasoning (NeSy 2025). Published version is available at https://proceedings.mlr.press/v284/karabulut25a.html