Nous: нейро-символическая библиотека для объяснимого ИИ

Nous (др.-греч. νοῦς — «разум») — библиотека для нейро-символического обучения, которая позволяет строить понятные, прозрачные и производительные модели классификации и регрессии. Библиотека совмещает дифференцируемые β-факты с логическими правилами, создавая модели, решения которых можно прочитать как текст, сохраняя при этом все преимущества градиентной оптимизации.

🚀 Возможности

• Понятные объяснения
  Модель выдаёт правила вида «ЕСЛИ-ТО», которые объясняют каждое предсказание

• Обучение символьных правил градиентами
  Логические правила оптимизируются через backpropagation

• Честная интерпретируемость
  Leave-one-out анализ, контрфактуалы и минимально достаточные объяснения

• Экспорт без зависимостей
  Выгрузка обученной модели в чистый NumPy для боевого использования

• Классификация через прототипы
  Решение принимается на основе близости к выученным эталонам

• Специализированные оптимизаторы
  Инструменты для обучения разреженных моделей с управляемой активацией правил

📦 Установка

Стабильная версия

🎯 Быстрый старт

Обучаем классификатор

Получаем объяснения

Выгружаем в production

🏗️ Архитектура

Из чего состоит модель

β-факты — дифференцируемые строительные блоки, работающие по формуле:

βᵢ(x) = σ(kᵢ · (Lᵢx − Rᵢx − θᵢ))^νᵢ

где

Слои правил — комбинируют β-факты через логические операции AND/OR/k-из-n/NOT в нескольких режимах работы

Гейты — механизмы мягкого отбора top-k правил или маскирования по заданному бюджету

Прототипная голова — классифицирует объекты по близости к выученным эталонам с L2-нормализацией

📊 Результаты на бенчмарках

Nous обеспечивает превосходную интерпретируемость при конкурентной точности, с минимальными разрывами в производительности ради полной прозрачности.

🔍 Продвинутые фичи

Минимально достаточные объяснения

Контрфактуалы

Глобальный анализ

🗂️ Структура проекта

nous/
├── model.py              # Основной класс NousNet
├── facts.py              # β-факты и калибраторы признаков
├── rules/                # Слои правил и гейты
├── prototypes.py         # Прототипная голова для классификации
├── explain/              # Инструменты объяснимости
├── export/               # Экспорт в NumPy
├── training/             # Утилиты для обучения
├── optim/                # Специальные оптимизаторы
└── examples/             # Примеры использования

🤝 Участие в разработке

Буду рад любому вкладу:

1. Форкните репозиторий
2. Создайте ветку (
   git checkout -b feature/cool-stuff
   )
3. Добавьте тесты и документацию
4. Отправьте pull request

Особенно приветствуются: баг-репорты, улучшения документации, новые примеры использования.

📄 Лицензия

MIT License. Подробности в LICENSE.