基于多任务卷积 Tsetlin 机器的透明逻辑分类方法
机器学习
2025-10-03 v1
摘要
Tsetlin 机器（TM）是一种新型机器学习范式，采用有限状态自动机进行学习并利用命题逻辑表示模式。由于其简单的方法，TM 本质上比基于神经网络的学习算法更具可解释性。卷积 TM 在各种数据集（如 MNIST、K-MNIST、F-MNIST 和 CIFAR-2）上显示出与之相当的性能。在本文中，我们探讨了将 TM 架构应用于大规模多通道（RGB）图像分类的可行性。我们提出一种方法来生成局部解释和全局类表示。局部解释可用于解释模型预测，而全局类表示则汇总每个类的重要模式。这些解释总结了由卷积子句捕获的知识，可作为图像进行可视化。我们在 MNIST 和 CelebA 数据集上进行评估，使用实现 98.5% MNIST 准确率和 86.56% CelebA F1 分数的模型（与 ResNet50 的 88.07% 相当）。我们表明，TM 在保持可解释性的同时，在大规模复杂训练环境中表现出与这一深度学习模型相当的竞争力。这有助于更好地理解 TM 子句，并为这些模型应用于更复杂和多样化的数据集提供了见解。
引用
@article{arxiv.2510.01906,
title = {A Methodology for Transparent Logic-Based Classification Using a Multi-Task Convolutional Tsetlin Machine},
author = {Mayur Kishor Shende and Ole-Christoffer Granmo and Runar Helin and Vladimir I. Zadorozhny and Rishad Shafik},
journal= {arXiv preprint arXiv:2510.01906},
year = {2025}
}