الماكينة التسيلينية التلافيفية

حققت شبكات العصبونات التلافيفية (CNNs) نجاحات مذهلة في مهمات التعرف على الأنماط الهامة، لكنها تعاني من التعقيد الحسابي العالي ونقص القابلية للشرح. يحاول الجهاز تسليني الحديث (Tsetlin Machine - TM) معالجة هذا النقص من خلال استخدام جمل عطفية سهلة الفهم في المنطق البروبوزيسيوني لحل مشاكل التعرف على الأنماط المعقدة. يوفر الجهاز تسليني دقة تنافسية في عدة مقاييس، مع الاحتفاظ بالخاصية المهمة للقابلية للشرح. كما أنه يسهل التنفيذ القريب من الأجهزة لأن المدخلات والأنماط والمخرجات يتم التعبير عنها كبتات، بينما تعتمد عملية التعرف والتعلم على عمليات معالجة البتات البسيطة.في هذه الورقة البحثية، نستغل نموذج الجهاز تسليني من خلال تقديم الجهاز تسليني التلافي (Convolutional Tsetlin Machine - CTM) كبديل قابل للشرح لشبكات العصبونات التلافيفية. بينما يقوم الجهاز تسليني بتصنيف الصورة باستخدام كل جملة مرة واحدة لكل الصورة بأكملها، يستخدم الجهاز تسليني التلافي كل جملة كمرشح تلافي. بعبارة أخرى، يتم تقييم الجملة عدة مرات، مرة لكل قطعة صورة تتضمنها عملية التلافي. لجعل الجمل متصلة بالموقع، يتم زيادة كل قطعة صورة بمحداثاتها داخل الصورة. تحصل نتيجة جملة التلافي ببساطة عن طريق الجمع المنطقي (OR) لنتيجة تقييم الجملة على كل قطعة صورة.خلال مرحلة التعلم في الجهاز تسليني، يتم مقارنة الجمل التي تم تقييمها إلى 1 مع المدخل. أما بالنسبة للجهاز تسليني التلافي، فنقوم بدلاً من ذلك بمقارنة إحدى القطع التي تم اختيارها عشوائيًا بين القطع التي أدت إلى تقييم الجملة إلى 1. وفقًا لذلك، يمكن استخدام الردود القياسية من النوع الأول والنوع الثاني للجهاز الكلاسيكي تسليني مباشرة دون أي تعديل إضافي.يحصل الجهاز تسليني التلافي على دقة اختبار قصوى بلغت 99.4٪ على MNIST، و96.31٪ على Kuzushiji-MNIST، و91.5٪ على Fashion-MNIST، و100٪ على مشكلة XOR الضوضائية ثنائية الأبعاد (2D Noisy XOR Problem)، وهي دقيقة تنافسية مع النتائج المبلغ عنها لنماذج CNN البسيطة ذات الطبقات الأربعة وبinaryConnect ودوائر اللوجستيات وجهاز FPGA المسرّع Binary CNN.