Единый подход к объяснению множеств правил, деревьев решений и ансамблей деревьев решений, основанный на анализе формальных понятийA unified fca-based framework for explaining rule sets, decision trees, and ensembles of decision trees

It is 2026 and decision tree ensembles are no longer State-of-the-Art on tabular data. What keeps them interesting is that they are based on if-then rules, so they should naturally be symbolic and human understandable. However, the sheer amount of such rules makes the models undeniable black boxes. The thesis covers two ways to make State-of-the-Art rule-based machine learning more explainable.
The first part of the thesis presents a body of work that leads to Ordered Pattern Rule Set (OPRSet): a machine learning model that combines rules, linear regressions, pattern mining and ordered set theory. It states that OPRSet can generalise decision trees, decision lists, rule sets, and their ensembles. The first part finishes by showing some examples on how both decision tree ensembles and their predictions can be explained using two-dimensional diagrams.The second part of the thesis introduces self-explainable rule-based models called Human Knowledge Models. We argue that these models are self-explainable and can be remembered and actively used by humans, since they are logical models that operate no more than four binary conditions. We demonstrate that such models -- despite their triviality -- can offer quite good prediction quality on a number of real-world datasets.
Overall, the thesis proposes a novel way of explaining existing rule-based models using OPRSets and constructing optimal short Human Knowledge Models. These results suggest many future research directions: such as constructing new, more optimal rule-based models or improving the abductive and contrastive explanations of existing ones.Keywords: Formal Concept Analysis, Pattern Structures, Explainable Artificial Intelligence, Ensembles of decision trees.

Наступил 2026 год и ансамбли деревьев решений потеряли статус самых передовых методов предсказаний на табличных данных. Тем не менее, они до сих пор интересны для изучения, так как они основываются на правилах типа "если-то", что обеспечивает их понятность и объяснимость для человека. Впрочем, неимоверное количество правил в ансамблевых моделях превращает их в самые настоящие неинтерпретируемые "чёрные ящики". В данной диссертации рассматриваются два подхода для обеспечения объяснимости машинного обучения на основе правил. В первой части диссертации представлен комплекс работ, приведший к созданию Упорядоченного Множества Узорных Правил (англ. Ordered Pattern Rule Set, OPRSet): модели машинного обучения, сочетающей в себе правила, линейную регрессию, интеллектуальных анализ данных и теорию упорядоченных множеств. В диссертации утверждается, что модель OPRSet может обобщать деревья решений, списки решений, наборы правил и их ансамбли. В заключение первой части диссертации, мы представляем нескольких примеров того, как ансамбли деревьев решений и их прогнозы можно объяснить с помощью двумерных диаграмм.
Во второй части диссертации представлены самообъясняемые модели на основе правил, называемые «моделями человеческих знаний». Мы утверждаем, что эти модели являются самообъясняемыми и могут запоминаться и активно использоваться людьми, поскольку представляют собой логические модели, в которых используется не более четырёх двоичных условий. Мы показываем, что такие модели — несмотря на их тривиальность — могут обеспечивать достаточно высокое качество прогнозов на ряде реальных наборов данных.
Таким образом, в диссертации предлагается новые способы объяснения существующих моделей на основе правил с использованием OPRSets и построения оптимальных коротких моделей человеческих знаний. Эти результаты открывают множество направлений для будущих исследований: например, построение новых, более оптимальных моделей на основе правил или улучшение абдуктивных и контрастирующих объяснений существующих моделей.