本研究提出了多种可解释学习框架和算法，如IMLI和RRL，旨在提升模型的可解释性和性能。通过可视化和规则学习，优化决策树和分类器，以平衡准确性与简单性，适用于金融等领域。

本文介绍了IMLI，一种基于MaxSAT的增量学习方法，结合小批量学习和迭代规则学习，实现分类规则的合成。IMLI在准确性、可解释性和可伸缩性之间取得了良好平衡，适用于学习可解释分类器。