情報格子学習（Information Lattice Learning, ILL）は、信号から解釈可能なルールを学習するための新しい機械学習手法です。この手法は、Haizi Yu氏とLav R. Varshney氏によって2026年6月11日にarXiv（番号2606.19366）に提出された論文「Information Lattice Learning as Probabilistic Graphical Model Structure Learning」で詳しく説明されています。ILLは、信号を抽象化の階層を符号化した分割格子に交互に投影し、選択したルールを信号領域に持ち上げることで動作します。信号が確率質量関数である場合、ILLが学習する確率的ルールは自然な確率的グラフィカルモデル（PGM）解釈を持ち、著者らはこの解釈を詳細に展開しています。
ILLでは、分割が決定論的な商変数を誘導し、ルールはその商変数の周辺分布となります。したがって、ルールセットは解釈可能な抽象化に対する周辺制約の集合です。一般持ち上げ（general lifting）はこれらの制約を満たす全ての同時分布の実行可能族であり、特別持ち上げ（special lifting）は最大無知再構成（maximum-ignorance reconstruction）を選択します。ILLは最大エントロピー原理に密接に関連するL2一様性原理を用いてこれを実装しています。
シャノンエントロピー持ち上げを使用する場合、同じ制約から学習された抽象化でインデックス付けされた因子を持つ対数線形因子グラフが得られます。しかし、研究者は情報格子自体はベイジアンネットワークではないと明言しています。そのエッジは条件付き依存ではなく、抽象化の洗練と粗視化を符号化するものです。したがって、ILLは商変数上の解釈可能な制約ベース因子グラフの構造学習と見なすのが最適です。
この視点は、ILLとグラフィカルモデルおよび最大エントロピーモデルとの関係を明確にし、推論、識別可能性、ハイブリッド記号確率学習の新しい方向性を示唆しています。論文では、機械学習、人工知能、信号処理への応用についても議論されています。この研究はILLの理論的理解を深めるだけでなく、より解釈可能なAIシステムの開発に新たなツールを提供するものです。