人工智能研究的是智能行为的机制,它通过构造和评估具有智能行为的人工制品来研究智能。机器学习系统根据环境数据,通过一定的学习方法,获得处理某问题的方法。在机器学习领域中,归纳学习是指给定一个描述语言,智能体根据给定的语言所描述的符号数据,通过一定的搜索方法,获得一个一般概念、规则或理论的过程。归属演算就是可以表示归纳学习过程的一种描述语言,它由计算机科学家米哈尔斯基所介绍,以“属性和属性值的关系”为基础进行形式化,并给出了多于二值逻辑的多种解释模式。算法要做的就是问题求解,所以算法就是求解问题的过程描述。归纳学习过程聚焦到某类归纳学习问题时,就可以通过归纳学习算法来描述。归纳学习算法在重言蕴涵的基础上定义了泛化和特化两种相反操作符,从而定义了泛化规则。本文就是在结合归属演算和泛化规则的基础上,尝试将归属演算运用于简单的候选消除算法,从而在解决人工神经网络难解释性的指导下,探索归纳学习和人工神经网络结合的可能性。归属演算表示归纳学习的反思表明,对于泛化符等符号来说,它有归纳、属性关系、操作符和函数的解释。对一种符号具有多种解释方式,既是基于计算机实践需要的逻辑语言有表示力强的优点,也是具有模糊性的缺点。这尤其在对归属演算表示归纳学习的评价中可以看出。在归属演算对其他形式的转化中,属性论将个体的集合和属性相互转化的表示,使得以“属性和属性值的关系”为基础的归属演算语句转化为属性论形式成为可能,从而归属演算也可以转化为集合论形式。一阶谓词演算与归纳学习形式有直接的联系,归属演算语句可以转化为范式的形式,通过增加正反例谓词,问题则表示得更加简化。那么,如何在可解释人工智能的指导下重塑归纳学习是一个问题。在对归纳学习与机器学习其他研究方向的比较中,人工神经网络模型处理学习数据在数值域中,这和归属演算处理在符号域上形成对比,它们各有优缺点。归属演算表示的缺点主要在于离散结构以及计算空间复杂,它与人工神经网络相互借鉴已是未来趋势。一个方向就是建立基于综合逻辑方法和人工神经网络学习的人类智能模型假设。另一个方向基于归纳逻辑程序设计。归纳逻辑程序设计以一阶谓词逻辑为基础,其问题表示和归纳方法与归属演算表示异曲同工。归纳逻辑程序设计的高阶、概率和可微扩展与归属演算的其他解释模式形成对照。