Buchumschlag

(Sometimes) Less is More: Mitigating the Complexity of Rule-based Representation for Interpretable Classification

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Bergamin, Luca, Confalonieri, Roberto, Aiolli, Fabio
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Integrating Background Knowledge in Medical Semantic Segmentation with Logic Tensor Networks
von: Bergamin, Luca, et al.
Veröffentlicht: (2025)

Why Less is More (Sometimes): A Theory of Data Curation
von: Dohmatob, Elvis, et al.
Veröffentlicht: (2025)

Learning Interpretable Rules for Scalable Data Representation and Classification
von: Wang, Zhuo, et al.
Veröffentlicht: (2023)

Self-Ablating Transformers: More Interpretability, Less Sparsity
von: Ferrao, Jeremias, et al.
Veröffentlicht: (2025)

Extracting PAC Decision Trees from Black Box Binary Classifiers: The Gender Bias Case Study on BERT-based Language Models
von: Ozaki, Ana, et al.
Veröffentlicht: (2024)

Rule Generation for Classification: Scalability, Interpretability, and Fairness
von: Röber, Tabea E., et al.
Veröffentlicht: (2021)

Less Discriminatory Alternative and Interpretable XGBoost Framework for Binary Classification
von: Pangia, Andrew, et al.
Veröffentlicht: (2024)

NEUROLOGIC: From Neural Representations to Interpretable Logic Rules
von: Geng, Chuqin, et al.
Veröffentlicht: (2025)

Finding Rule-Interpretable Non-Negative Data Representation
von: Mihelčić, Matej, et al.
Veröffentlicht: (2022)

Interpretable Representation Learning for Additive Rule Ensembles
von: Behzadimanesh, Shahrzad, et al.
Veröffentlicht: (2025)

Less is More: Fewer Interpretable Region via Submodular Subset Selection
von: Chen, Ruoyu, et al.
Veröffentlicht: (2024)

Less is More: Multimodal Region Representation via Pairwise Inter-view Learning
von: Namgung, Min, et al.
Veröffentlicht: (2025)

FedLog: Personalized Federated Classification with Less Communication and More Flexibility
von: Yu, Haolin, et al.
Veröffentlicht: (2024)

Less is More: Efficient Black-box Attribution via Minimal Interpretable Subset Selection
von: Chen, Ruoyu, et al.
Veröffentlicht: (2025)

Transformer Multivariate Forecasting: Less is More?
von: Xu, Jingjing, et al.
Veröffentlicht: (2023)

Less is More: Adaptive Coverage for Synthetic Training Data
von: Tavakkol, Sasan, et al.
Veröffentlicht: (2025)

Quantize What Counts: More for Keys, Less for Values
von: Hariri, Mohsen, et al.
Veröffentlicht: (2025)

Less is More: Towards Simple Graph Contrastive Learning
von: Zhao, Yanan, et al.
Veröffentlicht: (2025)

Reasoning Models Sometimes Output Illegible Chains of Thought
von: Jose, Arun
Veröffentlicht: (2025)

Interpretable Classification via a Rule Network with Selective Logical Operators
von: Wei, Bowen, et al.
Veröffentlicht: (2024)

Less is More: Recursive Reasoning with Tiny Networks
von: Jolicoeur-Martineau, Alexia
Veröffentlicht: (2025)

No More, No Less: Least-Privilege Language Models
von: Rauba, Paulius, et al.
Veröffentlicht: (2026)

Rethinking Tokenization for Clinical Time Series: When Less is More
von: Attrach, Rafi Al, et al.
Veröffentlicht: (2025)

When Less is More: The LLM Scaling Paradox in Context Compression
von: Guo, Ruishan, et al.
Veröffentlicht: (2026)

Less is More: Efficient Model Merging with Binary Task Switch
von: Qi, Biqing, et al.
Veröffentlicht: (2024)

Less is More: Clustered Cross-Covariance Control for Offline RL
von: Qiao, Nan, et al.
Veröffentlicht: (2026)

LIMR: Less is More for RL Scaling
von: Li, Xuefeng, et al.
Veröffentlicht: (2025)

Less-to-More Generalization: Unlocking More Controllability by In-Context Generation
von: Wu, Shaojin, et al.
Veröffentlicht: (2025)

LearnAD: Learning Interpretable Rules for Brain Networks in Alzheimer's Disease Classification
von: Andrews, Thomas, et al.
Veröffentlicht: (2025)

Strong Screening Rules for Group-based SLOPE Models
von: Feser, Fabio, et al.
Veröffentlicht: (2024)

Less is More: Efficient Weight Farcasting with 1-Layer Neural Network
von: Shou, Xiao, et al.
Veröffentlicht: (2025)

Moirai 2.0: When Less Is More for Time Series Forecasting
von: Liu, Chenghao, et al.
Veröffentlicht: (2025)

Achieving More with Less: A Tensor-Optimization-Powered Ensemble Method
von: Yuan, Jinghui, et al.
Veröffentlicht: (2024)

Less or More From Teacher: Exploiting Trilateral Geometry For Knowledge Distillation
von: Hu, Chengming, et al.
Veröffentlicht: (2023)

Less is More: Undertraining Experts Improves Model Upcycling
von: Horoi, Stefan, et al.
Veröffentlicht: (2025)

Learn More by Using Less: Distributed Learning with Energy-Constrained Devices
von: Pereira, Roberto, et al.
Veröffentlicht: (2024)

Less is More: on the Over-Globalizing Problem in Graph Transformers
von: Xing, Yujie, et al.
Veröffentlicht: (2024)

Less is More: Benchmarking LLM Based Recommendation Agents
von: Chauhan, Kargi, et al.
Veröffentlicht: (2026)

Concise One-Layer Transformers Can Do Function Evaluation (Sometimes)
von: Strobl, Lena, et al.
Veröffentlicht: (2025)

Conformal Prediction in Hierarchical Classification with Constrained Representation Complexity
von: Mortier, Thomas, et al.
Veröffentlicht: (2025)