本研究介绍了一种新的 Tsetlin 机器学习算法改进版 - 受限子句集 TMs（CSC-TMs），它可以在硬件友好的情况下提高准确性，并减少计算机逻辑的开销。我们在表格数据、自然语言文本、图像和棋盘游戏方面进行分类、聚类和回归实验。结果表明，CSC-TM 在保持准确性的同时可以减少 80 倍的逻辑量。

Jan, 2023

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

使用计算复杂性理论评估机器学习模型的局部和全局解释性，证明了局部和全局解释之间的对偶性以及某些全局解释形式的独特性，并比较了线性模型、决策树和神经网络在计算解释复杂度方面的差异。

Jun, 2024

本文提出了一种新的使用预训练词向量表示的 Tsetlin 机器方法，通过从预训练的词向量中提取语义相关的单词作为输入特征来增强 TM 的性能和可解释性。该方法的精度显著高于以前基于 BOW 的 TM，达到了 DNN-based 模型的水平。

Apr, 2021

通过运用博弈论、局部特征交互作用效应和全局模型结构，我们实现了对基于树的机器学习模型的高可解释性，应用于三个医疗机器学习问题，在透露模型全局结构的同时保持其基本特征，识别出美国人口中高强度但低频率的非线性死亡风险因素，突显具有共同危险特征的明显人口亚组，识别出慢性肾脏疾病危险因素之间的非线性交互作用效应，并监测在医院部署的机器学习模型（Identifying factors leading to model's performance decay over time）

May, 2019

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

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

提出了一种基于超向量的方法，用于表达与任何输入数据相关的任意大概念集合，通过在超维空间构建向量大大扩展了 Tsetlin 机器的容量和灵活性，展示了如何根据提出的方法对图像、化学化合物和自然语言文本进行编码，并展示了所得到的超向量驱动的 Tsetlin 机器在知名基准测试中实现了显著更高的准确性和更快的学习速度，为 Tsetlin 机器开启了一个新的研究方向，即如何扩展和利用在超空间中操作的好处，包括新的布尔化策略、TM 推理和学习的优化，以及新的 TM 应用。

Jun, 2024

本文提出了一种新的 Tsetlin 机降低了分类的取票瓶颈，并支持分散的学习，进而支持处理大型数据集和更多选择以提高学习准确性的并行和异步架构。

Sep, 2020

MAPLE 是一种新颖的模型解释系统，使用局部线性建模技术和随机森林的双重解释，提供黑盒解释，并兼具高精度的预测模型和优越的局部解释能力。

Jul, 2018