지식 집약적 도메인의 정형 데이터 (Tabular data)는 종종 특징 (feature) 쌍 사이의 불리언 함의 관계 (Boolean implication relationships, BIRs) 형태의 잠재적 사전 지식 (latent prior)을 포함하고 있습니다. 우리는 희소 예외 이항 검정 (sparse-exception binomial test)을 통해 이러한 관계를 채굴합니다. 채굴된 함의는 2-리터럴 절 (2-literal clauses)로 구성된 명제 규칙 베이스 (propositional rule base)와 동일한 타입 지정 유향 그래프 (typed directed graph)를 형성합니다. 우리는 이 그래프를 BIRDNet이라 불리는 계층형 신경망 (layered neural network)의 연결성으로 인코딩하며, 여기서 각 은닉 유닛 (hidden unit)은 하나의 채굴된 규칙에 대응하고 오직 해당 두 개의 특징에만 결합합니다. 우리는 이러한 설계의 두 가지 결과를 보여줍니다: 첫째, 이 아키텍처는 구조적으로 희소합니다 (sparse). 각 BIR 레이어의 가중치 중 최대 $2/d$만이 활성화되며, 여기서 $d$는 입력 차원입니다. 둘째, 이 모델은 해석 가능합니다 (interpretable). 모든 학습된 유닛은 안정적인 상징적 정체성 (symbolic identity)을 유지하므로, 대리 모델 (surrogate models) 없이도 네트워크에서 규칙을 읽어낼 수 있습니다. 대부분의 뉴로심볼릭 (neurosymbolic) 모델과 달리, BIRDNet은 외부 규칙 베이스를 소비하지 않습니다. 모델의 구조적 사전 지식 (structural prior)은 데이터로부터 직접 채굴됩니다. 우리는 6개의 전사체학 (transcriptomic) 및 단백질체학 (proteomic) 벤치마크에서 BIRDNet을 평가했습니다. 결과에 따르면, BIRDNet은 약간의 정확도 비용을 지불하면서도 가장 강력한 밀집 베이스라인 (dense baseline)의 AUROC 범위 내 0.02 이내를 유지하는 동시에, 아키텍처가 일치하는 밀집 MLP (dense MLP)보다 최대 $96 imes$ 적은 활성 파라미터 (active parameters)를 사용합니다. 첫 번째 레이어의 규칙들은 표준적 증폭 (canonical amplicons), 계통 정의 공동 발현 모듈 (lineage-defining co-expression modules), 면역 침윤 마커 (immune-infiltration markers)를 포함하여 여러 암 하위 유형 및 조직 유형에 걸친 알려진 생물학적 시그니처를 복구합니다. 데이터와 코드는 다음에서 확인할 수 있습니다: https://github.com/MAHI-Group/BIRDNet.