Jan, 2023

通过限制 Tsetlin 机子句大小建立简明的逻辑模式

PDF
TL;DR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。
tsetlin machineclause size constrained tmslogic-based machine learninghardware-friendlyaccuracy
发现论文，激发创造
  • 支持几乎恒定时间扩展的大规模并行异步 Tsetlin 机器架构

    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

  • Tsetlin 机器的广义收敛分析：概率方法应用于概念学习

    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

  • Tsetlin 机全局和局部解释的闭合表达式及其在高维数据解释中的应用

    本文提出了用于理解 Tsetlin Machines 模型的闭式表达式，并从模型的合取子句中直接制定了表达式，使其可以实时捕捉功能的作用并进行可视化高维数据的新数据聚类算法。通过与 SHAP 和其他解释机器学习技术的对比，该方法具有竞争性的预测精度。

    Jul, 2020

  • 利用特斯特林机进行高效数据融合

    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

  • 稀疏特斯林机器：活动文字的稀疏表示

    这篇论文介绍了稀疏 Tsetlin 机器（STM），一种高效处理稀疏数据的新型 Tsetlin 机器（TM）。通过引入活跃文字（AL），STM 可以集中关注当前数据表示中实际有贡献的文字，显著减少内存占用和计算时间，同时展现了有竞争力的分类性能。

    May, 2024

  • 认识与利用子句学习的潜力

    本文通过分析阐述了布尔可满足性问题中，采用了子句学习增强 DPLL 的实现方式是最高效的，并与已有的分辨规则证明体系相对照，证明了该方法在一些条件下可以提供更短的证明过程，且该算法可以通过利用问题结构，通过导向学习算法的方法取得指数性的加速。

    Jun, 2011

  • Tsetlin 机嵌入：用逻辑表达式代表单词

    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

  • 利用预训练的词向量增强可解释的语义子句

    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

  • Tsetlin 机 - 一种博弈论强化的主观逻辑最优模式识别方法

    本文介绍了 Tsetlin Machine，一种通过使用陈述公式的 Tsetlin Automata 集合来解决复杂的模式识别问题的机器。 使用一个新颖的游戏来协调自动机，具有高准确性、可解释性和计算简单性，它在五个基准中提供与其他分类器相媲美的准确性。

    Apr, 2018

  • 使用马尔科夫边界引导剪枝学习极简特斯林机器子句

    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