深层图结构的 Tsetlin 机器：图形上的逻辑学习与推理
机器学习
2026-05-07 v2 人工智能
摘要
基于简洁且平坦的 AND 规则，Tsetlin 机器 (TM) 具有可解释性和效率优势，而 Tsetlin 自动机的强大能力使其在越来越多的数据集上实现的准确率接近深度学习。我们引入图形 Tsetlin 机器 (GraphTM)，用于从图结构输入中学习可解释的深层子句。超越平坦、固定长度的输入，GraphTM 更加灵活，支持序列、网格、关系和多模态数据。通过消息传递，GraphTM 构建嵌套深层子句，以指数级更少的子句数量识别子图模式，从而提高可解释性和数据利用率。对于图像分类，GraphTM 保持可解释性并在 CIFAR-10 上的准确率提高 3.86 个百分点。对于行动指代跟踪任务，GraphTM 在应对日益具有挑战性的任务方面，以最高可达 20.6 个百分点的优势超过其他强化学习方法。在推荐系统中，它能够容忍极大的噪声，类似于 GCN。最后，对于病毒基因组序列数据，GraphTM 在准确率上与 BiLSTM-CNN 和 GCN 相当，训练速度约为 GCN 的 2.5 倍。GraphTM 在这些多样化领域的应用表明，图表示学习和深层子句为 TM 学习带来了新的可能性。
引用
@article{arxiv.2507.14874,
title = {The Tsetlin Machine Goes Deep: Logical Learning and Reasoning With Graphs},
author = {Ole-Christoffer Granmo and Youmna Abdelwahab and Per-Arne Andersen and Karl Audun K. Borgersen and Paul F. A. Clarke and Kunal Dumbre and Ylva Grønningsæter and Vojtech Halenka and Runar Helin and Lei Jiao and Ahmed Khalid and Rebekka Omslandseter and Rupsa Saha and Mayur Shende and Xuan Zhang},
journal= {arXiv preprint arXiv:2507.14874},
year = {2026}
}
备注
23 pages, 9 figures