基于具有固有软边界的$MoS_2$闪存型模拟CAM的可信树基机器学习
机器学习
2025-07-17 v1 新兴技术
摘要
人工智能的快速发展引发了对其可信度的担忧，尤其是在可解释性和鲁棒性方面。随机森林和XGBoost等树基模型在处理表格数据时在可解释性和准确性方面表现出色，但由于数据局部性差和数据依赖性高，对其进行扩展在计算上仍然昂贵。先前使用模拟内容可寻址存储器（CAM）加速这些模型的努力遇到了困难，因为难以实现的尖锐决策边界极易受到器件变化的影响，导致硬件性能不佳且易受对抗性攻击。本工作提出了一种新颖的软硬件协同设计方法，使用具有固有软边界的闪存型模拟CAM，能够实现软树模型的高效推理。我们在模拟CAM阵列上的软树模型推理实验表明，该方法在实现最先进准确率的同时，对器件变化和对抗性攻击具有卓越的鲁棒性。具体来说，我们制造的模拟CAM阵列在威斯康星诊断乳腺癌（WDBC）数据集上达到了的准确率，同时保持了决策的可解释性。我们经过实验校准的模型验证，在的器件阈值变化下，MNIST数据集上的准确率仅下降，而传统决策树则下降。这项工作为增强人工智能可信度和效率的专用硬件铺平了道路。
引用
@article{arxiv.2507.12384,
title = {Trustworthy Tree-based Machine Learning by $MoS_2$ Flash-based Analog CAM with Inherent Soft Boundaries},
author = {Bo Wen and Guoyun Gao and Zhicheng Xu and Ruibin Mao and Xiaojuan Qi and X. Sharon Hu and Xunzhao Yin and Can Li},
journal= {arXiv preprint arXiv:2507.12384},
year = {2025}
}