个人的一些小问题，希望能得到解答~ about rrl

[12wang3]

你好，感谢对我们工作的关注，以下是具体的解答，希望对你有帮助：
（1）left和right参数主要用于之前对可训练的BinarizeLayer的尝试，但后来使用了固定bound的BinarizeLayer，所以你可以忽略left和right参数，直接默认保持None即可。
（2）由于我们用0和1分别表示False和True，所以1-x即为~x，也即NOT x。
（3）这其实就是论文中所说的skip connection。skip connection主要是为了自动跳过不必要的层，从而使层数较多的模型更容易收敛、学到的规则更简单。
（4）是的，estimated_grad这个选项就是对应了我们论文中所讲的这个trick。
（5）是的，这个导数可以通过手动计算交叉熵损失函数的导数得来（因为RRL用了交叉熵损失函数，如果用其他的损失函数，需要手动计算对应导数）。
（6）这主要是由于采用了梯度嫁接法（Gradient Grafting，详见论文），梯度嫁接法优化的loss是离散模型的loss，而连续模型主要用于为离散模型衡量边权的变化对节点值的影响大小。

[chenz1hao]

感谢大佬的回复，基本清楚了，另外：interpretable是否就是体现在整个预测过程是透明的，比如有新样本来了被预测为class_x，我们可以找到该新样本所激活的那些解释规则集。

[12wang3]

嗯嗯，是的。普遍认为离散的规则模型由于其形式上的优势，其可解释性要优于神经网络一类的模型。另外RRL还可以控制模型的复杂度，因此可以进一步确保可解释性