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

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

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

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

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

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

我们提出了一种动态时空数据汇总技术，它能够识别关键时间步骤中的信息特征并融合不太相关的特征，从而在保留数据动态性的同时最小化存储需求。利用信息论度量指导融合过程，我们展示了该技术在多样化数据集中的灵活性，并在粒子流模拟、安全监控应用和免疫系统中的生物细胞相互作用等领域提供了深入的洞察力。我们的研究在数据管理领域做出了重要贡献，引入了提高效率和深入见解的方法，可应用于原址分析和事后分析，从而解决数据存储和 I/O 开销不断增加的挑战，同时释放出决策的潜力。我们的方法使研究人员和专家能够探索重要的时间动态，同时最小化存储需求，从而促进对复杂数据行为的更有效和直观的理解。

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

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