期刊名称：Information Sciences
影响因子：4.832
作者：赵金伟，黑新宏，石争浩，董龙雷，柳宇，严睿萍，李秀秀
论文介绍：
近年来，机器学习研究人员致力于构建可伸缩的、可解释的回归模型。然而，从不完全和模糊的先验知识中获取完整知识的方法以及模型的泛化性能和可解释性能之间的均衡问题是需要考虑的重要因素。本文提出了一种新的回归学习方法。利用马尔可夫逻辑网络，从属性间的不完全模糊关系中推理得到完整的逻辑关系。在优化过程中，应用完整的关系约束回归模型的形状，以解决该问题。最后，在基于基准数据集和工程数据的实验中验证了该方法的优点。这项研究对于解决机器学习可解释性能提升具有重要的实际意义，发表在1区期刊Information Sciences上。
相关照片：
