透明性作为架构的一部分
普通神经网络擅长发现规律，但往往只能事后解释这些规律。通常需要借助第三方解释器或简化的替代模型，而这样的解释只是对网络内部真实情况的近似。BIRDNet模型试图摆脱这种折中：它将规则融入架构本身，直接从网络中读取规则。
这种网络的每个隐藏块并非抽象的“神经元”，而是布尔规则的紧凑表示：“如果存在特征A，则预期出现特征B”。训练结束后，无需单独的解释模型：连接和权重本身就承载着符号意义。
规则如何从表格中产生
BIRDNet无需外部知识库即可从表格中提取符号规则。在积累了丰富知识的领域数据中——例如生物医学表格——特征对之间往往隐藏着布尔蕴含关系。这种关联的搜索通过统计方法进行，使用二项检验，且罕见的例外不会破坏规则，而是被视为可接受的偏差。
找到特征对后，从中构建一个类型化的蕴含图。该图随后转化为神经网络的层：
- 每个隐藏块对应一条提取出的规则；
- 每个块仅与其两个特征相连；
- 在蕴含层中，活跃权重的比例不超过
2/d，其中d为输入维度。
这种稀疏性使网络轻量，同时保持了架构与符号规则之间的直接联系。
实验：精度几乎不受影响
为了验证是否必须以预测质量为代价换取透明性，BIRDNet在六个转录组和蛋白质组基准上进行了测试。与密集基线模型的比较得出了两个关键数字：
- 与最强密集方案相比，AUROC的差距不超过0.02；
- 同时，BIRDNet使用的活跃参数比架构上可比的密集MLP最多少95倍。
换言之，该模型在精度上几乎不逊色，但所需参数数量却少了一个数量级。在实践中，这意味着更稳健、更经济的架构，更易于部署和分析。
规则的价值在于意义，而非仅仅指标
这种方法有一个不太明显的细微之处。在对照实验中，当特征对被随机打乱或替换时，精度并未下降：随机连接与原始连接相当，甚至在AUROC上有所超越。这意味着，提取出的特征对本身并未给模型带来预测优势。它们的价值在于别处。
有意义的蕴含关系保留了符号解释。BIRDNet第一层的规则与多种癌症亚型和组织类型的已知生物学特征一致。而随机特征对在精度相当的情况下却不承载任何意义。
因此，BIRDNet不仅仅是一种略微改进目标变量预测的新方法。它是一个示例，展示了如何将神经网络同时用作预测模型和可验证假设的来源。该工作已发布在arXiv上，并被CIKM 2026录用——这是一个明确的信号，表明可解释神经符号架构这一主题正在蓬勃发展。
