为了缓解神经蕴蓄的"黑盒子"机制引起的算法可解释性低的问题，基于使用左证推理算法的置信轨则库推理法子（以下简称RIMER）建议了一个轨则推理蕴蓄模子.该模子通过RIMER中的置信轨则和推理机制进步蕴蓄的可解释性.领先讲解注解了基于左证推理的推理函数是可偏导的，保证了算法的可行性；然后孟若羽 肛交，给出了轨则推理蕴蓄的蕴蓄框架和学习算法，运用RIMER中的推理进程动作轨则推理蕴蓄的前馈进程，做爱知识以保证蕴蓄的可解释性；使用梯度下落法退换轨则库中的参数以建树更合理的置信轨则库，为了缩短学习复杂度，建议了"伪梯度"的认识；临了孟若羽 肛交，通过分类对比推行，分析了所提算法在精准度和可解释性上的上风.推行成果标明，当张望数据集限度较小时，轨则推理蕴蓄的线路邃密，当张望数据限度扩大时，轨则推理蕴蓄也能达到令东谈主自得的成果.