符号分支网络：基于树结构的可解释多类分类神经模型

符号分支网络（Symbolic Branch Networks, SBNs）是一种神经模型，其架构直接继承于决策树集成。每个从根到叶子节点父节点的决策路径被映射到一个隐藏神经元，矩阵$W_{1}$（特征到分支）和$W_{2}$（分支到类别）编码了集成的符号结构。由于这些矩阵源自决策树，SBN保留了透明的特征相关性和分支级语义，同时支持基于梯度的学习。本 work 的主要贡献是SBN，即一种半符号变体，通过保持$W_{2}$固定而允许$W_{1}$通过学习进行细化。这种受控的松弛在不改变底层符号结构的前提下提高了预测准确率。我们在OpenML CC-18基准测试集的28个多类表格数据集上进行实验，SBN始终匹配或超越XGBoost，同时保留人类可解释的分支归因。我们还分析了SBN*，即一种完全符号变体，其中$W_{1}$和$W_{2}$均为冻结，仅训练校准层。尽管没有可训练的符号参数，SBN*在许多基准测试上仍实现了竞争性能，这凸显了基于树的符号路由作为一种归纳偏置的强大作用。总体而言，这些结果表明，符号结构与神经优化可以结合，以实现卓越的性能，同时保持稳定且可解释的内部表示。