FERL: Apprendimento Rapido di Regole Evidenziali per la Classificazione Interpretabile con Astensione

È stato introdotto un nuovo metodo chiamato Fast Evidential Rule Learning (FERL) per la classificazione interpretabile con astensione. FERL apprende modelli di regole fuzzy che sono sia interpretabili che accurati, con output evidenziali, ovvero forniscono credenza, plausibilità e capacità di astensione direttamente dalle appartenenze fuzzy in un unico passaggio deterministico, senza teste ausiliarie, set di validazione o inferenze ripetute. Il metodo è teoricamente dimostrato essere stabile di Lipschitz, garantendo che i suoi output evidenziali varino in modo fluido con l'input. Nei test di benchmark contro i migliori apprenditori di regole, FERL ha raggiunto un'accuratezza statisticamente significativa più alta su un benchmark di 30 dataset tabulari, con un miglioramento medio dell'accuratezza di +2,6% rispetto al secondo miglior metodo. Le sue previsioni di insieme native hanno anche ottenuto la migliore utilità. L'articolo è disponibile su arXiv con identificativo 2608.05859.