Tsetlin机——一种由博弈论老虎机驱动的基于命题逻辑的最优模式识别方法

人工神经元虽然各自简单，但在深度网络中互联时能提供最先进的性能。可以说，Tsetlin自动机是一种更简单且更通用的学习机制，能够解决多臂老虎机问题。仅借助一个整数作为记忆，它通过递增和递减操作在随机环境中学习最优动作。在本文中，我们引入Tsetlin机，它通过由一组Tsetlin自动机组成的命题公式来解决复杂的模式识别问题。为消除长期存在的信噪比消失问题，Tsetlin机使用一种新颖的博弈来编排这些自动机。此外，输入、模式和输出均表示为比特，而识别与学习依赖于比特操作，从而简化计算。我们的理论分析确立该博弈的纳什均衡与提供最优模式识别精度的命题公式相一致。这转化为无局部最优的学习，只有全局最优。在五个基准测试中，Tsetlin机与SVM、决策树、随机森林、朴素贝叶斯分类器、逻辑回归和神经网络相比提供了具有竞争力的精度。我们进一步展示了命题公式如何促进可解释性。总之，我们相信高精度、可解释性和计算简单性的结合使Tsetlin机成为广泛领域中一种有前景的工具。