编辑推荐：
机器学习模型预测依据不透明，现有解释方法难保证正确性，逻辑方法解释受限。研究人员提出 Onestep 和 Twostep 方法优化逻辑解释。实验表明 Twostep 使解释覆盖平均提升 72.60%，为可信 AI 提供新路径。
在人工智能深度融入生活的当下，机器学习（ML）模型如支持向量机（SVM）、多层感知机（MLP）等在医疗、金融等关键领域广泛应用，但其预测逻辑如同 “黑箱”，用户难以知晓决策依据。可解释人工智能（XAI）虽试图揭开这层面纱，然而多数方法如 LIME、SHAP 等基于启发式策略，缺乏正确性保证，在高风险场景中可能因错误解释导致严重后果。逻辑基解释方法虽能确保正确性，却常因特征值限制过严，仅能给出类似 “特征 = 特定值” 的狭窄解释，难以覆盖更广泛实例，限制了其实际应用价值。如何在保证解释正确性的同时，提升其泛化能力，成为 XAI 领域亟待突破的关键难题。
为攻克这一挑战，来自国外研究机构的学者开展了相关研究，成果发表在《Expert Systems with Applications》。研究聚焦于通过优化方法扩展逻辑基解释的特征范围，提出两种新方法 ——Onestep 和 Twostep，旨在平衡解释的覆盖范围与计算效率，为构建更可信的 ML 模型解释体系提供新范式。
研究主要采用一阶逻辑（FOL）将分类器编码为逻辑约束，并通过混合整数线性规划（MILP）求解器处理约束问题。实验选取 12 个数据集，以 SVM 和 MLP 为目标模型，从计算时间、原始数据集覆盖、合成数据覆盖及范围宽度等指标评估两种方法性能，同时与启发式方法 Anchors 进行对比。
核心方法与结果
1. Onestep：单步优化扩展特征范围
该方法基于前期工作，针对每个特征的上下界，通过单次优化直接确定扩展范围，摒弃了传统的迭代增量过程。相较于逐步调整特征边界的方法，Onestep 显著降低了计算开销，避免了因小步长迭代导致的高时间成本，同时减少了大步长可能引发的范围误判问题，在提升效率的同时保证解释的正确性。
2. Twostep：两步法平衡特征扩展
Twostep 则通过分阶段控制特征扩展顺序，先优先扩展对整体范围影响较小的特征，避免某些特征过度扩展挤压其他特征的范围空间，从而实现更均衡的特征范围扩展。实验表明，Twostep 在覆盖范围上表现显著，其平均覆盖实例数较 Onestep 提升 72.60%，尽管计算时间增加 353.76%，但在解释泛化能力上实现了突破性进展。
3. 与 Anchors 的对比分析
与启发式方法 Anchors 相比，Twostep 生成的解释在特征范围宽度和覆盖实例数上虽稍显逊色，但其解释保真度（即与模型预测的一致性）具有稳定性优势。Anchors 的保真度在不同数据集上波动较大，而 Twostep 凭借逻辑基方法的正确性保证，在医疗、金融等对解释可靠性要求极高的场景中更具应用潜力。
结论与意义
本研究提出的 Onestep 和 Twostep 方法，为逻辑基解释的泛化能力提升提供了有效解决方案。Onestep 通过单步优化提高效率，Twostep 则以分阶段策略实现更广泛的覆盖，两者均在保证解释正确性和非冗余性的基础上，突破了传统逻辑解释的范围限制。实验结果不仅验证了方法的有效性，更凸显了逻辑基解释在高风险领域的独特价值 —— 其可证明的正确性为构建可信 AI 系统奠定了基础。
研究成果为 XAI 领域开辟了新方向，特别是在医疗诊断、法律决策等对解释可靠性要求苛刻的场景中，逻辑基解释方法有望成为连接模型预测与人类理解的桥梁，推动人工智能从 “黑箱” 走向 “透明化”，为实现可信赖的 AI 决策提供关键技术支撑。未来，进一步优化计算效率、拓展方法对更多类型分类器的适用性，将是该领域的重要发展方向。
