Tsetlin 机器的不确定性量化
机器学习
2025-07-08 v1 人工智能
摘要
使用 Tsetlin 机器（TM）进行数据建模的核心在于从数据特征中构建逻辑规则。该模型的决策基于这些逻辑规则的组合，因此该模型是完全透明的，可以解释其预测。本文提出了 TM 预测的概率得分，并开发了新的不确定性量化技术以进一步提高可解释性。概率得分是任何 TM 变体的内在属性，通过分析 TM 学习动力学得出。使用仿真数据显示，所学习的 TM 概率得分与数据 underlying 概率之间存在明确的联系。概率得分的可视化还表明，TM 在训练数据域之外的预测置信度较低，这与人工神经网络中典型的外推现象相反。本文通过在 CIFAR-10 数据集上进行图像分类任务中应用不确定性量化技术，提供了新的见解并提出了可能的改进建议，以提高当前 TM 图像分类模型的性能。
关键词
引用
@article{arxiv.2507.04175,
title = {Uncertainty Quantification in the Tsetlin Machine},
author = {Runar Helin and Ole-Christoffer Granmo and Mayur Kishor Shende and Lei Jiao and Vladimir I. Zadorozhny and Kunal Ganesh Dumbre and Rishad Shafik and Alex Yakovlev},
journal= {arXiv preprint arXiv:2507.04175},
year = {2025}
}