为解决在保持可解释性的同时提高分类模型的准确率的问题，清华大学长聘教授、智源研究员王建勇团队提出了一种新的基于规则的模型，规则表征学习器（Rule-based Representation Learner, RRL），用于可解释分类任务。得益于自身的模型设计、梯度嫁接法以及改进版逻辑激活函数的使用，RRL 不仅有着较好的可扩展性，同时还具备类似决策树模型的高可解释性和类似随机森林和 XGBoost 等集成学习器的分类性能。RRL 的提出，不仅使得可解释模型能够适用于更大的数据规模和更广的应用场景，还为从业人员提供了一个更好的在模型复杂度和分类效果之间权衡的方式。
13个数据集上各模型的分类效果（表格来源：学者提供）
