该文介绍了一种能够逐步扩展解释性时间逻辑规则集的框架，通过时间点过程建模和学习框架，规则内容和权重将逐渐优化，直到观察的事件序列的似然性最佳。作者提出了一种神经搜索策略，通过学习生成新规则内容的一系列动作，训练好的策略可以以可控的方式生成新规则。作者在合成和真实的医疗数据集上评估了该方法，取得了有前景的结果。

本文提出了一个逐步扩展解释性时间逻辑规则集的框架，用于解释时间事件发生。通过时间点过程建模和学习框架，优化规则内容和权重，提高事件序列的似然性。算法通过更新规则集权重增加似然性，并搜索和包含新规则。提出了神经搜索策略克服搜索挑战，生成新规则内容。在医疗数据集上评估了该方法，取得了有前景的结果。