信息格学习（Information Lattice Learning, ILL）是一种新兴的机器学习方法，旨在从信号中学习可解释的规则。该方法由Haizi Yu和Lav R. Varshney于2026年6月11日提交至arXiv（编号2606.19366），论文标题为《Information Lattice Learning as Probabilistic Graphical Model Structure Learning》。ILL通过交替将信号投影到一个编码抽象层次结构的分区格上，并选择性地将规则提升回信号域，从而学习信号中的可解释规则。当信号为概率质量函数时，ILL学习的概率规则具有自然的概率图模型（PGM）解释，作者对此进行了详细阐述。
在ILL中，一个分区会诱导一个确定性的商变量，而一条规则就是该商变量的边际分布。因此，规则集实际上是对可解释抽象概念的边际约束的集合。一般提升（general lifting）指的是满足这些约束的所有联合分布的可行族，而特殊提升（special lifting）则选择一种最大无知重建（maximum-ignorance reconstruction）。ILL通过L2均匀性原理实现这一选择，该原理与最大熵原理密切相关。
当采用香农熵提升时，相同的约束会产生一个对数线性因子图，其因子由学习到的抽象概念索引。但研究者明确指出，信息格本身并不是贝叶斯网络：其边编码的是抽象概念的细化与粗化关系，而非条件依赖关系。因此，ILL应被视作一种对可解释的、基于约束的商变量因子图进行结构学习的方法。
这一视角澄清了ILL与图模型和最大熵模型之间的关系，同时为推理、可识别性以及混合符号概率学习指明了新方向。该论文还讨论了ILL在机器学习、人工智能和信号处理领域的潜在应用。这项研究不仅深化了对ILL理论的理解，也为开发更可解释的AI系统提供了新的工具。