本研究提出了一种预训练元规则选择策略，以降低视觉生成推理学习中的逻辑归纳时间成本。该策略通过减少候选元规则集和修剪搜索空间，提高学习效率，并纠正预训练过程中的符号归纳错误。

T-CREx 是一种新颖的模型无关方法，用于本地和全局对策解释（CE），通过可读性规则的形式总结了个体和群体的退路选择，利用基于树的代理模型学习反事实规则，并利用表示其最佳性区域的 ' 元规则 '，为用户提供了模型行为的全局分析和多样的退路选择。实验表明，T-CREx 在一系列 CE 期望上实现了优越的集合性能，同时运行速度快了几个数量级。