本研究通过使用 Tsetlin Machines 介绍了一种可解释的上下文赌博算法，该算法使用命题逻辑解决复杂的模式识别任务。该算法使用简单的位操作来进行推理，从而简化计算和解释，并提出了一种 Tsetlin Machines 与 Thompson sampling 结合的机制。经验证，该算法在 8 个数据集上表现优于其他流行算法，并研究了其可解释性。

Feb, 2022

使用命题逻辑表达式描述 Hex 赢输场面，提高 AI 可解释性，研究表明使用 Tsetlin Machine 的算法相比其他算法，在各种不同棋盘配置下平均测试准确率可达 92.1％，这为准确的辅助 AI 和人工智能协作建立了基础，也适用于更复杂的预测任务

Mar, 2022

Tsetlin 机器的收敛性分析表明，通过引入概率概念学习（PCL）框架，可以简化 TM 结构，并确保在 0.5<p_k<1 的条件下，PCL 能够收敛到文字的析取，为未来关于 Tsetlin 自动学习算法收敛性的研究奠定基础。

Oct, 2023

通过提供自动化的完整开发流程，MATADOR 能够使用 Tsetlin Machine 模型在 SoC-FPGA 上实现优化的加速器设计，达到了高速、资源节约和功耗有效的结果，相较于现有的量化和二值化深度神经网络实现，MATADOR 加速器设计可达到 13.4 倍的更快速度、7 倍的更节约资源和 2 倍的更节约功耗。

Mar, 2024

我们提出了一种新颖的方法，通过 Tsetlin 机器来评估和融合嘈杂的动态数据。我们的方法是通过监测 TM 学习的逻辑子句在动态数据中的可能噪声下如何变化来识别噪声，从而通过降低先前学习的子句的权重或以新子句的形式反映它。我们还进行了一项全面的实验研究，使用了明显不同的数据集，证明了所提出方法的高性能。

Oct, 2023

本文提出了一种新的 Tsetlin Machine (TM) 反馈机制，引入了一个上下文特定独立自动机，该自动机学习目标变量 Markov 边界之外的特征，从而在学习过程中将它们从 TM 中剪枝，通过实证研究展示了该机制如何利用上下文特定独立来找到 Markov 边界，并为其收敛性提供了理论分析，从而将贝叶斯网络领域与 TMs 相关联，为推理和学习提供协同作用的可能性，包括由 TM 生成的贝叶斯知识库和基于 TM 的贝叶斯推断。

Sep, 2023

该论文提出了一种面向在线学习的新型 FPGA 架构，用于在嵌入式应用中低复杂度地实现机器学习算法 Tsetlin Machine，实现了可靠和高性能的在线学习，同时降低了功耗和提升了准确率。

Jun, 2023

本文开发了第一个基于 Tsetlin Machines 的推荐系统并与深度学习模型进行了绩效、可解释性和可扩展性方面的比较，并提供了与 RS 相关的类似机器学习方案的基准绩效比较

Dec, 2022

本文提出一种利用命题逻辑表示单词语义的词嵌入方法，使用 Tsetlin 机器自编码器进行学习，探讨了其在自然语言处理领域中的重要性，对比了其他模型，研究表明在多项分类任务中表现良好，且具有一定的可解释性。

Jan, 2023

该研究论文提出了一种自动机理论方法，通过量化深度神经网络，特别是二值化神经网络，来减少计算与存储成本，并通过表格法实现综合过程，使用 SMT 求解器确定网络的超参数，并在实验中证明其在提高神经网络的个体公平性和局部鲁棒性方面的有效性。

Jul, 2023