Sep, 2023

使用马尔科夫边界引导剪枝学习极简特斯林机器子句

PDF
TL;DR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。
markov boundarymarkov blankettsetlin machinecontext-specific independencebayesian networks
发现论文，激发创造
  • 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 - 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

  • 从限制波尔兹曼机的隐藏层学习状态转移规则

    本文提出了一种从高维时间序列数据中提取少数基本隐藏变量的方法，并学习这些隐藏变量之间的状态转移规则的方法，实验结果表明该方法可以从观测到的状态转移中学习这些物理系统的动态，并预测未观测到的未来状态。

    Dec, 2022

  • 带岭正则线性模型的马尔可夫边界发现

    本研究提出了一种修改后的岭回归方法，可以在减小空间的基础上识别潜在的 Markov 边界。实验结果表明，这种方法在基因表达数据的 Markov 边界发现方面具有很强的实用性。

    Sep, 2015

  • 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

  • 解决上下文赌博机问题的 Tsetlin 机

    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

  • 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

  • 使用 Tsetlin 机从数据中生成贝叶斯网络模型

    本文提出了一种初步的探索网络结构的方法，该方法利用了 Tsetlin Machines 进行 Bayesian Networks 建模并处理相关性和因果关系。

    May, 2023

  • 离散贝叶斯网络的边缘

    本文研究使用离散的观察变量和不对潜在变量的状态空间作任何假设的情况下，贝叶斯网络模型中的潜在变量的完整代数特征，并证明它与所谓的嵌套马尔可夫模型代数上等价。因此，这种嵌套马尔可夫模型是避免考虑不等式的潜在变量模型的最佳描述，并且能够轻松使用显式参数化拟合。

    Jan, 2015

  • 通过限制 Tsetlin 机子句大小建立简明的逻辑模式

    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