摘要
尽管单个人工神经元本身很简单，但当它们在深度网络中互连时，可以提供最先进的性能。可以说，Tsetlin自动机是一种更为简单且灵活的学习机制，能够解决多臂赌博机问题。仅通过一个整数作为记忆单元，它能够在随机环境中通过增减操作学习到最优行动。本文介绍了Tsetlin机器，该机器利用由多个Tsetlin自动机组成的命题公式来解决复杂的模式识别问题。为了解决长期以来存在的信噪比消失问题，Tsetlin机器采用了一种新颖的游戏机制来协调这些自动机。此外，输入、模式和输出均以比特形式表示，而识别和学习则依赖于比特操作，从而简化了计算过程。我们的理论分析表明，游戏的纳什均衡与提供最佳模式识别精度的命题公式相一致。这意味着学习过程中不存在局部最优解，只有全局最优解。在五个基准测试中，Tsetlin机器的表现与支持向量机（SVMs）、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具有竞争力。我们进一步展示了命题公式如何促进解释性。总之，我们认为高精度、可解释性和计算简便性的结合使Tsetlin机器成为广泛领域的有前途工具。