回归 Tsetlin 机：一种面向连续输出问题的 Tsetlin 机

最近提出的 Tsetlin 机（TM）在多个基准测试中提供了具有竞争力的模式分类精度，其利用命题逻辑中易于解释的合取子句来组合模式。在本文中，我们超越模式分类，引入一种新型 TM，即回归 Tsetlin 机（RTM）。简而言之，我们修改了 TM 的内部推理机制，使得输入模式被转换为单一的连续输出，而非不同的类别。我们通过以下方式实现这一点：（1）使用 TM 的合取子句来捕获任意复杂的模式；（2）通过一种新颖的投票与归一化机制将这些模式映射到连续输出；（3）采用一种反馈方案来更新 TM 子句以最小化回归误差。该反馈方案使用了一种新的激活概率函数，可稳定子句的更新，同时整体系统收敛于精确的输入-输出映射。RTM 的性能使用六个人工数据集（含噪声与不含噪声）进行评估，并与经典 Tsetlin 机（CTM）和多类 Tsetlin 机（MTM）进行比较。我们的实证结果表明，RTM 在含噪声与无噪声数据集上均取得了最佳的训练和测试结果，且使用的子句数量更少。这进而转化为更高的回归精度，同时显著减少了计算资源的使用。