Bài báo này trình bày một giải pháp mới để giải quyết vấn đề suy giảm hiệu suất của các mô hình dạng chuẩn phân ly thần kinh (N-DNF). Chúng tôi chứng minh rằng các mô hình N-DNF hiện tại bị suy giảm hiệu suất do ngưỡng trong quá trình biến đổi biểu tượng sau huấn luyện, bắt nguồn từ việc không tách biệt được kiến thức đã học được biểu diễn trong các trọng số mạng. Chúng tôi giải quyết vấn đề này bằng cách đề xuất một phương pháp tách rối mới, tách các nút mã hóa các quy tắc lồng nhau thành các nút nhỏ hơn, độc lập. Chúng tôi chứng minh bằng thực nghiệm rằng phương pháp này tạo ra các biểu diễn logic gọn nhẹ và dễ diễn giải hơn cho các tác vụ phân loại nhị phân, đa lớp và đa nhãn (bao gồm cả những tác vụ yêu cầu phát minh vị từ), đạt được kết quả gần hơn với hiệu suất của mô hình ban đầu.
