Die Tsetlin-Maschine -- Ein spieltheoretischer Bandit-Ansatz für optimale Mustererkennung mit prädikativer Logik

Obwohl sie einzeln einfach sind, bieten künstliche Neuronen leistungsstarke Ergebnisse, wenn sie in tiefen Netzen miteinander verbunden werden. Das Tsetlin-Automat ist möglicherweise ein noch einfacherer und vielseitigerer Lernmechanismus, der das Problem des mehrfach bewaffneten Banditen lösen kann. Durch die Verwendung eines einzelnen Ganzzahlspeichers lernt es durch Inkrement- und Dekrementoperationen die optimale Aktion in stochastischen Umgebungen. In dieser Arbeit stellen wir die Tsetlin-Maschine vor, die komplexe Mustererkennungsprobleme mit prädikatenlogischen Formeln löst, die von einer Gruppe von Tsetlin-Automaten zusammengesetzt sind. Um das langjährige Problem des verschwindenden Signal-Rausch-Verhältnisses zu beseitigen, koordiniert die Tsetlin-Maschine die Automaten mittels eines neuen Spiels. Zudem werden sowohl Eingaben, Muster als auch Ausgaben als Bits dargestellt, wobei Erkennung und Lernen auf Bitmanipulation basieren, was die Berechnung vereinfacht. Unsere theoretische Analyse zeigt, dass die Nash-Gleichgewichte des Spiels mit den prädikatenlogischen Formeln übereinstimmen, die eine optimale Mustererkennungsgenauigkeit bieten. Dies bedeutet, dass das Lernen ohne lokale Optima stattfindet, sondern nur globale Optima existieren. In fünf Benchmarks bietet die Tsetlin-Maschine eine vergleichbare Genauigkeit im Vergleich zu SVMs (Support Vector Machines), Entscheidungsbäumen (Decision Trees), Random Forests (Zufallswäldern), dem Naiven Bayes-Klassifikator (Naive Bayes Classifier), der logistischen Regression (Logistic Regression) und neuronalen Netzen (Neural Networks). Wir demonstrieren zudem, wie die prädikatenlogischen Formeln eine Interpretation erleichtern. Zusammenfassend glauben wir, dass die Kombination aus hoher Genauigkeit, Interpretierbarkeit und rechnerischer Einfachheit die Tsetlin-Maschine zu einem vielversprechenden Werkzeug für eine Vielzahl von Anwendungsbereichen macht.