本研究提出一种新方法，通过识别冗余字面和负例，显著减少归纳逻辑编程中的无意义规则问题，假设空间缩减，学习时间减少99%，预测准确性保持不变。

本文介绍了一种新方法“Rumi框架”，通过让生成对抗网络(GANs)学习避免负样本，提升目标数据分布的表示能力。实验证明，该方法在多个数据集上优于标准GAN和LSGAN，并有效解决不平衡数据集中的类别不平衡问题。

本研究使用基于阈值的弱监督模型和梯度可解释人工智能技术，在中风幸存者的数据集中探索时序数据的可行性。通过前馈神经网络模型和梯度，识别涉及补偿动作的显著框架。评估结果显示，该方法在召回率和F2分数上取得了较高的成绩。这表明基于梯度的可解释人工智能技术在时序数据中具有潜力，可减少模型训练中的标签工作量。