यह शोधपत्र न्यूरल डिसजंक्टिव नॉर्मल फॉर्म (N-DNF) मॉडलों के प्रदर्शन में गिरावट को दूर करने के लिए एक नया समाधान प्रस्तुत करता है। हम प्रदर्शित करते हैं कि मौजूदा N-DNF मॉडल प्रशिक्षण-पश्चात प्रतीकात्मक परिवर्तन प्रक्रिया के दौरान थ्रेशोल्डिंग के कारण प्रदर्शन में गिरावट से ग्रस्त हैं, जो नेटवर्क भार में दर्शाए गए सीखे गए ज्ञान को अलग करने में विफलता से उत्पन्न होता है। हम इस समस्या का समाधान एक नई डिसेन्टेंगलमेंट विधि प्रस्तावित करके करते हैं जो नेस्टेड नियमों को एन्कोड करने वाले नोड्स को छोटे, स्वतंत्र नोड्स में अलग करती है। हम प्रयोगात्मक रूप से प्रदर्शित करते हैं कि यह विधि बाइनरी, मल्टी-क्लास और मल्टी-लेबल वर्गीकरण कार्यों (जिनमें प्रेडिकेट आविष्कार की आवश्यकता वाले कार्य भी शामिल हैं) के लिए अधिक सुगठित और व्याख्या योग्य तार्किक निरूपण प्रदान करती है, जिससे मूल मॉडल के प्रदर्शन के अधिक निकट परिणाम प्राप्त होते हैं।
