特斯林机

特斯拉特林机的代码和数据集。实现了来自 https://arxiv.org/abs/1804.01508 的特斯拉特林机，包括多分类版本。特斯拉特林机通过由一组特斯拉特林自动机组成的易于解释的命题公式来解决复杂的模式识别问题。

目录

• 基础知识
  • 分类
  • 学习
  • 学习行为
• 噪声 XOR 演示
• 要求
• 其他实现
• 其他架构
• 硬件
• 书籍
• 会议
• 视频
• 教程
• 致谢
• 特斯拉特林机论文
• 许可证

基础知识

分类

一个基本的特斯拉特林机以布尔特征向量 作为输入，将其分类为两类之一： 或 。连同它们的否定形式 ，这些特征构成一个文字集合 。

特斯拉特林机的模式被表述为一个合取子句 ，它是通过将文字集合 的一个子集进行逻辑与运算而形成的：

.

例如，子句 由文字 组成，并且仅当 且 时，才输出 。

所使用的子句数量是一个用户可配置的参数 。其中一半的子句被赋予正极性，另一半则被赋予负极性。随后，这些子句的输出通过求和并使用单位阶跃函数 进行阈值处理，从而得出最终的分类决策：

.

换句话说，分类基于多数投票原则：正极性子句投票支持 ，而负极性子句则投票支持 。例如，该分类器

,

能够捕捉 XOR 关系。

学习

一个子句 由一组采斯林自动机组成，每个采斯林自动机决定是否将特定的文字 包含或排除在子句之外（见上图）。学习如何选择包含哪些文字是基于强化学习：I型反馈会产生频繁模式，而II型反馈则会增强模式的区分能力。

采斯林机器是在线学习的，每次处理一个训练样本 。

I型反馈以随机方式给予正极性子句当 时，以及负极性子句当 时。受此影响的子句会根据以下因素来强化其内部的每一个采斯林自动机：(i) 子句的输出值 ；(ii) 目标采斯林自动机的动作——“包含”或“排除”；以及 (iii) 分配给该自动机的文字值 。如表1所示，有两种规则分别独立地控制着子句中每个采斯林自动机的I型反馈：

• 当 且 时，“包含”会被奖励，“排除”则会以概率 受到惩罚。这种强化作用较强（高概率触发），能够使子句记住并优化它在 中识别出的模式。
• 如果 或 ，则“包含”会被以概率 惩罚，“排除”则会被奖励。这种强化作用较弱（低概率触发），可以将不常见的模式逐渐转变为常见模式。

其中， 是一个超参数，用于控制所产生模式的频率。

II型反馈以随机方式给予正极性子句当 时，以及负极性子句当 时。同样地，受影响的子句会根据以下因素来强化其内部的每个采斯林自动机：(i) 子句的输出值 ；(ii) 目标采斯林自动机的动作——“包含”或“排除”；以及 (iii) 分配给该自动机的文字值 。如表2所示，当 且 时，II型反馈会惩罚“排除”操作。这种反馈作用强烈，能够筛选出用于区分 和 的候选文字。

资源分配机制确保子句能够在各种频繁模式之间合理分布，而不是遗漏某些模式而过度集中于其他模式。也就是说，对于任何输入 ，随着子句输出总和的增加，

接近用户设定的目标值 （对于 ）时，强化某个子句的概率会逐渐降为零（对于 则为 ）。例如，下图展示了当 且 时，不同子句输出总和 下，强化某个子句的概率变化情况：

如果某个子句未被强化，则它不会对其内部的采斯林自动机产生反馈，这些自动机的状态也就保持不变。极端情况下，当投票总和 等于或超过目标值 （即采斯林机器已成功识别输入 ）时，所有子句都不会被强化。因此，它们可以自由地学习新的模式，从而自然地平衡模式表示所需的资源。

详情请参阅 https://arxiv.org/abs/1804.01508。

学习行为

下图展示了特茨林机在二值化但未进行其他增强处理的MNIST数据集（https://en.wikipedia.org/wiki/MNIST_database）上的平均学习进度（基于50次运行）。更多信息请参见：https://github.com/cair/fast-tsetlin-machine-with-mnist-demo。

如图所示，测试集和训练集的准确率在各个epoch中几乎呈单调递增趋势。即使训练集上的准确率接近99.9%，测试集上的准确率仍在持续提升，最终在400个epoch后达到98.2%。这与神经网络使用反向传播时的情况截然不同：在缺乏适当正则化机制的情况下，测试集准确率通常会在某个点开始下降，出现过拟合现象。

噪声XOR演示

./NoisyXORDemo.py

测试数据准确率（无噪声）：1.0
训练数据准确率（40%噪声）：0.603

预测：x1 = 1, x2 = 0, ... -> y =  1
预测：x1 = 0, x2 = 1, ... -> y =  1
预测：x1 = 0, x2 = 0, ... -> y =  0
预测：x1 = 1, x2 = 1, ... -> y =  0

系统要求

• Python 2.7.x https://www.python.org/downloads/
• Numpy http://www.numpy.org/
• Cython http://cython.org/

其他实现

• Tsetlin Machine Unified - 统一代码库，一统天下。实现了Tsetlin机、合并式Tsetlin机、卷积Tsetlin机、回归Tsetlin机和加权Tsetlin机，并支持连续特征、丢弃子句、Type III反馈、聚焦负采样、多任务分类器、自编码器、文字预算以及一对一多分类器。TMU用Python编写，同时提供了C语言和CUDA加速的子句评估与更新接口，项目地址：https://github.com/cair/tmu，PyPI链接：https://pypi.org/project/tmu/
• 面向逻辑型AI的大规模并行与异步架构。实现了Tsetlin机、卷积Tsetlin机、回归Tsetlin机和加权Tsetlin机，并支持连续特征，项目地址：https://github.com/cair/PyTsetlinMachineCUDA，PyPI链接：https://pypi.org/project/PyTsetlinMachineCUDA/
• 高级Tsetlin机Python API，配备快速C扩展。实现了Tsetlin机、卷积Tsetlin机、回归Tsetlin机、加权Tsetlin机和嵌入式Tsetlin机，并支持连续特征、多粒度子句及子句索引，项目地址：https://github.com/cair/pyTsetlinMachine，PyPI链接：https://pypi.org/project/pyTsetlinMachine/
• 多线程实现的Tsetlin机、卷积Tsetlin机、回归Tsetlin机和加权Tsetlin机，支持连续特征和多粒度子句，项目地址：https://github.com/cair/pyTsetlinMachineParallel，PyPI链接：https://pypi.org/project/pyTsetlinMachineParallel/
• 用Julia编写的高性能Tsetlin机实现，具备批处理和底层并行化功能（在MNIST数据集上每秒可完成5200万次分类），项目地址：https://github.com/BooBSD/Tsetlin.jl
• 用C语言编写的类并行Tsetlin机，支持日志记录功能，项目地址：https://github.com/ashurrafiev/ClassParallelTM
• 用于可视化Tsetlin机状态及学习过程的GUI应用，项目地址：https://github.com/ashurrafiev/TsetlinMachineViewer
• 快速C++实现的加权Tsetlin机，附带MNIST、IMDb和Connect-4演示，项目地址：https://github.com/adrianphoulady/weighted-tsetlin-machine-cpp
• 快速基于位操作的C语言实现，附带MNIST演示，项目地址：https://github.com/cair/fast-tsetlin-machine-with-mnist-demo
• CUDA实现，附带IMDb文本分类演示，项目地址：https://github.com/cair/fast-tsetlin-machine-in-cuda-with-imdb-demo
• 硬件实现，项目地址：https://github.com/JieGH/Hardware_TM_Demo
• Kivy实现，项目地址：https://github.com/DarshanaAbeyrathna/Tsetlin-Machine-Based-AI-Enabled-Mobile-App-for-Forecasting-the-Number-of-Corona-Patients
• C语言实现，项目地址：https://github.com/cair/TsetlinMachineC
• 并行化的C++实现，适用于多分类和回归Tsetlin机，并提供与scikit-learn兼容的Python封装，项目地址：https://github.com/WojciechMigda/Tsetlini，以及https://github.com/WojciechMigda/PyTsetlini
• Rust实现，项目地址：https://github.com/KhaledSharif/TsetlinMachine
• 支持快速位操作的Rust实现，包含MNIST演示，项目地址：https://github.com/jcriddle4/tsetlin_rust_mnist
• C++实现，项目地址：https://github.com/222464/TsetlinMachine
• Node.js实现，项目地址：https://github.com/anon767/TsetlinMachine
• C#实现，项目地址：https://github.com/cokobware/TsetlinMachineCSharp
• F#实现，项目地址：https://github.com/fwaris/FsTsetlin

其他架构

• 卷积Tsetlin机，项目地址：https://github.com/cair/convolutional-tsetlin-machine
• 图Tsetlin机，项目地址：https://github.com/cair/GraphTsetlinMachine
• 回归Tsetlin机，项目地址：https://github.com/cair/regression-tsetlin-machine
• 合并式多输出Tsetlin机，项目地址：https://github.com/cair/PyCoalescedTsetlinMachineCUDA/
• 面向逻辑型AI的大规模并行与异步架构，项目地址：https://github.com/cair/PyTsetlinMachineCUDA

硬件

• Literal Labs

书籍

• 《Tsetlin机器入门》（https://tsetlinmachine.org）

会议

• 国际Tsetlin机器研讨会（ISTM）（https://istm.no）[论文集：2022年（https://ieeexplore.ieee.org/xpl/conhome/9923753/proceeding）、2023年（https://ieeexplore.ieee.org/xpl/conhome/10454903/proceeding）]

视频

• 观看采特林自动机的状态转换。演示者：雷杰，纽卡斯尔大学微系统研究组。https://youtu.be/wXyiLtlpwHI
• 使用采特林机器进行关键词检测。演示者：雷杰，纽卡斯尔大学微系统研究组。https://youtu.be/JW0tztpjX8k
• Mignon AI 在 2020 年 Arm 峰会上的演讲，由阿德里安·惠尔登和雷杰共同完成，来自纽卡斯尔大学微系统研究组。https://youtu.be/N-wkgibJAZE
• 基于学习自动机的 AI 硬件的可解释性与可靠性分析。IOLTS 演讲，由里沙德·沙菲克主讲，纽卡斯尔大学微系统研究组。https://youtu.be/IjzZY0fDYiA
• 采特林机器——普适 AI 的新范式。DATE SCONA 工作坊演讲，由阿德里安·惠尔登主讲，纽卡斯尔大学微系统研究组。https://youtu.be/TaspuovmSR8
• 使用 Logisim 中的顺序逻辑快速入门采特林机器。纽卡斯尔大学微系统研究组的雷杰主讲。
  • 采特林自动机——https://youtu.be/XzWSPo7GF94
  • 子句计算——https://youtu.be/Yfrt-W40LiI
  • 求和与阈值处理——https://youtu.be/ipKHuHMDafU
• 手持式 MignonAI（http://www.mignon.ai）在 Iris 数据集上的采特林机器演示。纽卡斯尔大学微系统研究组的雷杰主讲。https://youtu.be/BzaPGByX-hg
• 采特林自动机之王。纽卡斯尔大学微系统研究组的雷杰主讲。https://youtu.be/LltDhg4ZuWo
• 使用采特林自动机机器学习进行可解释的聚类与降维。瑞士普华永道的克里斯蒂安·D·布拉凯利主讲。https://youtu.be/5-09LOGLcV8
• 利用实时可解释学习预测并解释经济增长。瑞士普华永道的克里斯蒂安·D·布拉凯利主讲。https://youtu.be/J6K7V7V7ayo
• 通过简单的血液检测早期发现乳腺癌。瑞士普华永道的克里斯蒂安·D·布拉凯利主讲。https://youtu.be/FrHN_aRLRug
• 采特林机器的最新进展。NORA.ai 网络研讨会，由奥勒-克里斯托弗·格兰莫主讲，挪威阿格德大学 CAIR 研究中心。https://youtu.be/GHelDh3bN00

教程

卷积采特林机器教程，https://github.com/cair/convolutional-tsetlin-machine-tutorial

致谢

我感谢人工智能研究中心（CAIR）的同事们——雷娇、张轩、盖尔·索雷·贝格、达尔沙纳·阿贝拉特纳、赛义德·拉希米·戈尔吉、松德雷·格林斯达尔、鲁普萨·萨哈、比马尔·巴塔赖、罗汉·K·亚达夫、伯恩特·维戈·马修森、莫滕·古德温、克里斯蒂安·奥姆林、弗拉基米尔·扎多罗日尼（匹兹堡大学）、吉维特什·夏尔马、艾哈迈德·阿布泽伊德以及查鲁尔·吉里——他们为采特林机器系列技术的发展做出了贡献。同时，我也要感谢我们的 CAIR 合作伙伴们——亚历克斯·亚科夫列夫、里沙德·沙菲克、阿舒尔·拉菲耶夫、西达尔特·马赫什瓦里、阿德里安·惠尔登、雷杰、陶西夫·拉赫曼（纽卡斯尔大学）、乔尼·爱德华兹（Temporal Computing）、马可·韦林（格罗宁根大学）、克里斯蒂安·D·布拉凯利（瑞士普华永道）、阿德里安·福拉迪、安德斯·雷夫斯达尔·奥尔森、哈尔沃尔·斯莫尔维克以及埃里克·马蒂森——他们为我们提供了诸多支持。

采特林机器相关论文

@InProceedings{yadav2022robust,
  title     = {利用带否定的 AND 规则对虚假相关性实现稳健可解释文本分类},
  author    = {Yadav, Rohan Kumar and Jiao, Lei and Granmo, Ole-Christoffer and Goodwin, Morten},
  booktitle = {第三十一届国际联合人工智能会议论文集，{IJCAI-22}},
  publisher = {国际联合人工智能会议组织},
  editor    = {Lud De Raedt},
  pages     = {4439--4446},
  year      = {2022},
  month     = {7},
  note      = {主赛道}
  doi       = {10.24963/ijcai.2022/616},
  url       = {https://doi.org/10.24963/ijcai.2022/616},
}

@InProceedings{bhattarai2022fakenews,
  author    = {Bhattarai, Bimal  and  Granmo, Ole-Christoffer  and  Jiao, Lei},
  title     = {用于假新闻检测并评估可信度分数的可解释采特林机器框架},
  booktitle      = {语言资源与评估会议论文集},
  month          = {六月},
  year           = {2022},
  address        = {法国马赛},
  publisher      = {欧洲语言资源协会},
  pages     = {4894--4903},
  url       = {https://aclanthology.org/2022.lrec-1.523}
}

@InProceedings{bhattarai2022convtext,
  author    = {Bhattarai, Bimal  and  Granmo, Ole-Christoffer  and  Jiao, Lei},
  title     = {ConvTextTM：用于文本分类的可解释卷积采特林机器框架},
  booktitle      = {语言资源与评估会议论文集},
  month          = {六月},
  year           = {2022},
  address        = {法国马赛},
  publisher      = {欧洲语言资源协会},
  pages     = {3761--3770},
  url       = {https://aclanthology.org/2022.lrec-1.401}
}

@article{saha2021disc,
  author = {Saha, Rupsa and Granmo, Ole-Christoffer and Goodwin, Morten},
  title = {利用采特林机器在自然语言处理应用中发现可解释规则},
  journal = {Expert Systems},
  url = {https://onlinelibrary.wiley.com/doi/abs/10.1111/exsy.12873},
  year={2021}
}

@article{abeyrathna2021multistep,
  author = {Abeyrathna, Kuruge Darshana and Granmo, Ole-Christoffer and Shafik, Rishad and Jiao, Lei and Wheeldon, Adrian and Yakovlev, Alex and Lei, Jie and Goodwin, Morten},
  title = {一种用于任意确定性采特林机器学习的多步有限状态自动机},
  journal = {Expert Systems},
  url = {https://onlinelibrary.wiley.com/doi/abs/10.1111/exsy.12836},
  year={2021}
}

@InProceedings{yadav2021dwr,
  title={利用预训练词表示语义增强可解释子句},
  author={Rohan Kumar Yadav 和 Lei Jiao 以及 Ole-Christoffer Granmo 和 Morten Goodwin},
  booktitle={BLACKBOXNLP},
  url = {https://aclanthology.org/2021.blackboxnlp-1.19.pdf},
  year={2021}
}

@article{jiao2021andorconvergence,
  title={关于采特林机器在 AND 和 OR 运算符下的收敛性},
  author={Lei Jiao 和 Xuan Zhang 以及 Ole-Christoffer Granmo},
  journal = {arXiv 预印本 arXiv:2109.09488}, year = {2021},
  url = {https://arxiv.org/abs/2109.09488}
}

@InProceedings{wheeldon2021self,
  title="{使用采特林机器的自定时强化学习}",
  author={Adrian Wheeldon 和 Alex Yakovlev 以及 Rishad Shafik},
  booktitle={第 27 届 IEEE 国际异步电路与系统研讨会（ASYNC 2021）},
  year={2021},
  organization={IEEE},
  url={https://arxiv.org/abs/2109.00846}
}

@article{glimsdal2021coalesced,
  title={具有子句共享的凝聚型多输出特什林机},
  author={Sondre Glimsdal 和 Ole-Christoffer Granmo},
  journal = {arXiv 预印本 arXiv:2108.07594}, year = {2021},
  url = {https://arxiv.org/abs/2108.07594}
}

@article{Abeyrathna2021adaptivesparse,
  title="{基于线性随机搜索的特什林机连续输入自适应稀疏表示}",
  volume={10},
  ISSN={2079-9292},
  url={http://dx.doi.org/10.3390/electronics10172107},
  DOI={10.3390/electronics10172107},
  number={17},
  journal={Electronics},
  publisher={MDPI AG},
  author={Abeyrathna, Kuruge Darshana、Granmo, Ole-Christoffer 和 Goodwin, Morten},
  year={2021},
  month={Aug},
  pages={2107}}

@article{zhang2021convergence,
  title = {关于特什林机对“恒等”与“非”运算符的收敛性},
  author = {Zhang, Xuan、Jiao, Lei、Granmo, Ole-Christoffer 和 Goodwin, Morten},
  year = {2021},
  journal = {IEEE 模式分析与机器智能汇刊}
}

@InProceedings{abeyrathna2021parallel,
  title="{支持近似常数时间扩展的超大规模并行异步特什林机架构}",
  author={K. Darshana Abeyrathna、Bimal Bhattarai、Morten Goodwin、Saeed Gorji、Ole-Christoffer Granmo、Lei Jiao、Rupsa Saha 和 Rohan K. Yadav},
  booktitle={第三十八届国际机器学习会议（ICML 2021）},
  year={2021},
  organization={ICML}
}

@article{sharma2021dropclause,
  title="{人类可解释的人工智能：通过丢弃子句增强特什林机的随机性}",
  author={Jivitesh Sharma、Rohan Yadav、Ole-Christoffer Granmo 和 Lei Jiao},
  journal = {arXiv 预印本 arXiv:2105.14506}, year = {2021},
  url = {https://arxiv.org/abs/2105.14506}
}

@article{bhattarai2021fakenews,
  title="{用于假新闻检测且具备可信度评分评估的可解释特什林机框架}",
  author={Bimal Bhattarai、Ole-Christoffer Granmo 和 Lei Jiao},
  journal = {arXiv 预印本 arXiv:2105.09114}, year = {2021},
  url = {https://arxiv.org/abs/2105.09114}
}

@article{bhattarai2021wordlevel,
  title="{基于特什林机的新型文本检测用词级人类可解释评分机制}",
  author={Bimal Bhattarai、Ole-Christoffer Granmo 和 Lei Jiao},
  journal = {arXiv 预印本 arXiv:2105.04708}, year = {2021},
  url = {https://arxiv.org/abs/2105.04708}
}

@article{lei2021kws,
  title="{利用特什林机实现低功耗音频关键词检测}",
  author={Jie Lei、Tousif Rahman、Rishad Shafik、Adrian Wheeldon、Alex Yakovlev、Ole-Christoffer Granmo、Fahim Kawsar 和 Akhil Mathur},
  journal = {低功耗电子与应用期刊}, year = {2021},
  volume=11,
  issue=18,
  url = {https://www.mdpi.com/2079-9268/11/2/18},
  organization={MDPI}
}

@InProceedings{blakely2021closed,
  title="{特什林机全局与局部解释的闭式表达式}",
  author={Christian D. {Blakely} 和 Ole-Christoffer {Granmo}},
  booktitle={第34届工业、工程及其他应用智能系统国际会议（IEA/AIE 2021）},
  year={2021},
  organization={Springer}
}

@InProceedings{gorji2021rl,
  title="{基于特什林机的可解释强化学习}",
  author={Saeed {Gorji}、Ole Christoffer {Granmo} 和 Marco {Wiering}},
  booktitle={第34届工业、工程及其他应用智能系统国际会议（IEA/AIE 2021）},
  year={2021},
  organization={Springer}
}

@InProceedings{yadav2021sentiment,
  title="{面向方面情感分析的人类水平可解释学习}",
  author={Rohan Kumar {Yadav}、Lei {Jiao}、Ole-Christoffer {Granmo} 和 Morten {Goodwin}},
  booktitle={第三十五届 AAAI 人工智能大会（AAAI-21）},
  year={2021},
  organization={AAAI}
}

@InProceedings{nicolae2021question,
  title="{使用可解释特什林机进行问题分类}",
  author={Dragos Constantin {Nicolae}},
  booktitle={第一届机器推理国际研讨会（MRC 2021）},
  year={2021}
}

@article{saha2021relational,
  title="{一种用于自然语言理解的关联特什林机}",
  author={Rupsa Saha、Ole-Christoffer Granmo、Vladimir I. Zadorozhny 和 Morten Goodwin},
  journal = {arXiv 预印本 arXiv:2102.10952}, year = {2021},
  url = {https://arxiv.org/abs/2102.10952}
}

@InProceedings{yadav2021wordsense,
  title="{利用特什林机进行词义消歧的可解释性研究}",
  author={Rohan Kumar {Yadav}、Lei {Jiao}、Ole-Christoffer {Granmo} 和 Morten {Goodwin}},
  booktitle={第13届代理与人工智能国际会议（ICAART 2021）},
  year={2021},
  organization={INSTICC}
}

@InProceedings{bhattarai2021novelty,
  title="{利用特什林机文本分类器的合取子句衡量自然语言文本的新颖性}",
  author={Bimal Bhattarai、Lei Jiao 和 Ole-Christoffer Granmo},
  booktitle={第13届代理与人工智能国际会议（ICAART 2021）},
  year={2021},
  organization={INSTICC}
}

@InProceedings{abeyrathna2021convreg,
  title="{卷积回归特什林机}",
  author={Abeyrathna, Kuruge Darshana、Granmo, Ole-Christoffer 和 Goodwin, Morten},
  booktitle={第六届国际机器学习技术会议（ICMLT 2021）},
  year={2021},
  organization={ACM}
}

@article{abeyrathna2021integer,
  author = {Abeyrathna, Kuruge Darshana、Granmo, Ole-Christoffer 和 Goodwin, Morten},
  title = "{通过整数权重子句扩展特什林机以提高可解释性}",
  journal = {IEEE Access},
  volume = 9,
  year = {2021}
}

@article{jiao2021xor,
  title="{关于特什林机对 XOR 运算符的收敛性}",
  author={Lei Jiao、Xuan Zhang、Ole-Christoffer Granmo 和 K. Darshana Abeyrathna},
  journal = {arXiv 预印本 arXiv:2101.02547}, year = {2021},
  url = {https://arxiv.org/abs/2101.02547}
}

@InProceedings{wheeldon2021low,
  title="{用于边缘推理的低延迟异步逻辑设计}",
  author={Adrian Wheeldon、Alex Yakovlev、Rishad Shafik 和 Jordan Morris},
  booktitle={2021 年欧洲设计、自动化与测试会议（DATE21）},
  year={2021},
  pages="370-373"
}

@InProceedings{lei2020arithmetic,
  title="{从算术到基于逻辑的人工智能：神经网络与特茨林机的比较分析}",
  author={Jie {Lei} 和 Adrian {Wheeldon} 和 Rishad {Shafik} 和 Alex {Yakovlev} 和 Ole-Christoffer {Granmo}},
  booktitle={第27届IEEE电子电路与系统国际会议（ICECS2020）},
  year={2020},
  organization={IEEE}
}

@InProceedings{abeyrathna2020auc,
  title="{关于使用特茨林机获取分类置信度、排序预测及AUC}",
  author={K. Darshana Abeyrathna 和 Ole-Christoffer Granmo 和 Morten Goodwin},
  booktitle={2020年IEEE计算智能系列研讨会（SSCI）},
  year={2020},
  organization={IEEE}
}

@InProceedings{abeyrathna2020intrusion,
  title="{利用特茨林机生成可解释规则进行入侵检测}",
  author={K. Darshana Abeyrathna 和 Harsha S. Gardiyawasam Pussewalage 和 Sasanka N. Ranasinghea 和 Vladimir A. Oleshchuk 和 Ole-Christoffer Granmo},
  booktitle={2020年IEEE计算智能系列研讨会（SSCI）},
  year={2020},
  organization={IEEE}
}

@InProceedings{abeyrathna2020adaptive,
  title="{应用于菲律宾登革热发病率预测的特茨林机自适应连续特征二值化}",
  author={K. Darshana Abeyrathna 和 Ole-Christoffer Granmo 和 Xuan Zhang 和 Morten Goodwin},
  booktitle={2020年IEEE计算智能系列研讨会（SSCI）},
  year={2020},
  organization={IEEE}
}

@InProceedings{saha2020causal,
  author = {Rupsa {Saha} 和 Ole-Christoffer {Granmo} 和 Morten {Goodwin}},
  title = "{利用特茨林机挖掘用于情感和语义关系分析的可解释规则}",
  booktitle="计算机科学讲义：第40届人工智能创新技术与应用国际会议（SGAI-2020）论文集", year="2020",
  publisher="Springer International Publishing"
}

@InProceedings{abeyrathna2020deterministic,
  title="{一种新颖的多步有限状态自动机，用于任意确定性特茨林机学习}",
  author={K. Darshana Abeyrathna 和 Ole-Christoffer Granmo 和 Rishad Shafik 和 Alex Yakovlev 和 Adrian Wheeldon 和 Jie Lei 和 Morten Goodwin},
  booktitle="计算机科学讲义：第40届人工智能创新技术与应用国际会议（SGAI-2020）论文集", year="2020",
  publisher="Springer International Publishing"
}

@article{wheeldon2020learning, 
  author={Adrian {Wheeldon} 和 Rishad {Shafik} 和 Tousif {Rahman} 和 Jie {Lei} 和 Alex {Yakovlev} 和 Ole-Christoffer {Granmo}}, 
  journal={英国皇家学会哲学事务A辑},
  title="{基于学习自动机的物联网节能型人工智能硬件设计}",
  year={2020}
}

@InProceedings{shafik2020explainability,
  title="{基于学习自动机的人工智能硬件的可解释性与可靠性分析}",
  author={Rishad {Shafik} 和 Adrian {Wheeldon} 和 Alex {Yakovlev}},
  booktitle={IEEE第26届在线测试与鲁棒系统设计国际研讨会（IOLTS）},
  year={2020},
  organization={IEEE}
}

@article{lavrova2020,
  author = {D. S. {Lavrova} 和 N. N. {Eliseev}},
  title = "{基于特茨林机的网络攻击检测}",
  pages = {17-23},
  journal = {信息安全问题·计算机系统}, year = {2020}
}

@InProceedings{gorji2020indexing,
  title="{通过子句索引提高特茨林机的推理与学习速度}",
  author={Saeed {Gorji} 和 Ole Christoffer {Granmo} 和 Sondre {Glimsdal} 和 Jonathan {Edwards} 和 Morten {Goodwin}},
  booktitle={第33届工业、工程及其他应用智能系统国际会议（IEA/AIE 2020）},
  year={2020},
  organization={Springer}
}

@InProceedings{abeyrathna2020integerregression,
  title="{具有整数加权子句的回归特茨林机，用于紧凑的模式表示}",
  author={Abeyrathna, Kuruge Darshana 和 Granmo, Ole-Christoffer 和 Goodwin, Morten},
  booktitle={第33届工业、工程及其他应用智能系统国际会议（IEA/AIE 2020）},
  year={2020},
  organization={Springer}
}

@InProceedings{phoulady2020weighted, 
  author={Adrian {Phoulady} 和 Ole-Christoffer {Granmo} 和 Saeed Rahimi {Gorji} 和 Hady Ahmady {Phoulady}}, 
  booktitle={第九届统计关系人工智能国际研讨会（StarAI 2020）论文集}, 
  title="{加权特茨林机：基于子句加权的压缩表示}",
  year={2020}
}

@InProceedings{wheeldon2020pervasive, 
  author={Adrian {Wheeldon} 和 Rishad {Shafik} 和 Alex {Yakovlev} 和 Jonathan {Edwards} 和 Ibrahim {Haddadi} 和 Ole-Christoffer {Granmo}}, 
  booktitle={欧洲设计、自动化与测试大会（DATE 2020）中的SCONA研讨会}, 
  title="{特茨林机：普适人工智能的新范式}",
  year={2020}
}

@article{abeyrathna2020nonlinear, 
  author={K. Darshana {Abeyrathna} 和 Ole-Christoffer {Granmo} 和 Xuan {Zhang} 和 Lei {Jiao} 和 Morten {Goodwin}}, 
  journal={英国皇家学会哲学事务A辑},
  title="{回归特茨林机——一种新型可解释非线性回归方法}",
  volume={378}, issue={2164},
  year={2020}
}

@InProceedings{gorji2019multigranular,
  author = {Saeed Rahimi {Gorji} 和 Ole-Christoffer {Granmo} 和 Adrian {Phoulady} 和 Morten {Goodwin}},
  title = "{具有多粒度子句的特茨林机}",
  booktitle="计算机科学讲义：第三十九届人工智能创新技术与应用国际会议（SGAI-2019）论文集", year="2019",
  volume = {11927},
  publisher="Springer International Publishing"
}

@article{berge2019text, 
  author={Geir Thore {Berge} 和 Ole-Christoffer {Granmo} 和 Tor Oddbjørn {Tveit} 和 Morten {Goodwin} 和 Lei {Jiao} 和 Bernt Viggo {Matheussen}}, 
  journal={IEEE Access}, 
  title="{利用特茨林机学习人类可解释规则，实现高精度文本分类并应用于医疗领域}",
  volume={7},
  pages={115134-115146}, 
  year={2019}, 
  doi={10.1109/ACCESS.2019.2935416}, 
  ISSN={2169-3536}
}

@article{granmo2019convtsetlin,
  author = {{Granmo}, Ole-Christoffer 和 {Glimsdal}, Sondre 和 {Jiao}, Lei 和 {Goodwin}, Morten 和 {Omlin}, Christian W. 和 {Berge}, Geir Thore},
  title = "{卷积特茨林机}",
  journal = {arXiv预印本 arXiv:1905.09688}, year = {2019},
  url={https://arxiv.org/abs/1905.09688}
}

@InProceedings{abeyrathna2019regressiontsetlin,
  author = {{阿贝拉特纳}, 库鲁格·达尔沙纳和{格兰莫}, 奥莱-克里斯托弗和{焦}, 雷和{古德温}, 莫滕},
  title = "{回归型策特林机：一种用于连续输出问题的策特林机}",
  editor="穆拉·奥利维拉, 保罗和诺瓦伊斯, 保罗和雷斯, 路易斯·保罗 ",
  booktitle="人工智能进展", year="2019",
  publisher="施普林格国际出版公司",
  pages="268--280"
}

@InProceedings{abeyrathna2019continuousinput,
  author = {{阿贝拉特纳}, 库鲁格·达尔沙纳和{格兰莫}, 奥莱-克里斯托弗和{张}, 玄和{古德温}, 莫滕},
  title = "{一种适用于策特林机的连续输入方案及其在疾病暴发预测中的应用}",
  booktitle = "{人工智能的进展与趋势：从理论到实践}", year = "2019",
  editor = "沃塔瓦, 弗朗茨和弗里德里希, 格哈德和皮尔, 英戈和科伊茨-赫里斯托夫, 罗克珊和阿里, 穆尼斯",
  publisher = "施普林格国际出版公司",
  pages = "564--578"
}

@article{granmo2018tsetlin,
  author = {{格兰莫}, 奥莱-克里斯托弗},
  title = "{策特林机——一种基于博弈论多臂老虎机的、以命题逻辑为基础的最优模式识别方法}",
  journal = {arXiv预印本 arXiv:1804.01508}, year = {2018},
  url={https://arxiv.org/abs/1804.01508}
}

许可证

版权所有 (c) 2025 奥莱-克里斯托弗·格兰莫及阿格德大学

特此授予任何人免费获取本软件及相关文档文件（以下简称“软件”）副本的权利，允许其以任何方式处理该软件，包括但不限于使用、复制、修改、合并、发布、分发、再许可和出售软件副本等行为。但须遵守以下条件：

上述版权声明及本许可声明应包含在软件的所有副本或重要部分中。

“软件”按“原样”提供，不提供任何形式的明示或暗示担保，包括但不限于适销性、特定用途适用性和非侵权性。在任何情况下，作者或版权所有者均不对因使用本软件而产生的任何索赔、损害或其他责任负责，无论此类责任是基于合同、侵权行为或其他原因，亦不论其是否与本软件的使用或与其他方面的交易有关。

Tsetlin Machine 快速上手指南

Tsetlin Machine (TM) 是一种基于布尔逻辑和强化学习的新型机器学习算法。它通过集体协作的“塔塞林自动机”（Tsetlin Automata）构建可解释的命题公式，擅长解决复杂的模式识别问题，且在训练过程中不易过拟合。

环境准备

在开始之前，请确保您的系统满足以下要求：

• 操作系统：Linux, macOS 或 Windows
• Python 版本：Python 2.7.x (根据原文要求，建议也尝试 Python 3.x，通常此类库在较新版本中也能运行，但严格遵循文档需准备 2.7)
• 核心依赖：
  • numpy：数值计算库
  • cython：用于加速 Python 代码的编译扩展

国内加速建议： 安装依赖时，推荐使用清华或阿里镜像源以提升下载速度。 例如：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple <包名>

安装步骤

1. 克隆项目代码 首先从 GitHub 获取源代码：

   git clone https://github.com/olegranmo/TsetlinMachine.git
   cd TsetlinMachine
   

2. 安装依赖库 使用 pip 安装必要的 Python 包（推荐国内镜像）：

   pip install -i https://pypi.tuna.tsinghua.edu.cn/simple numpy cython
   

3. 编译扩展（如需） 如果项目中包含 .pyx 文件，可能需要先编译 Cython 扩展。通常在运行示例脚本前，确保当前目录下已生成对应的 .so (Linux/Mac) 或 .pyd (Windows) 文件。部分实现可能需要在 setup.py 存在时运行：

   python setup.py build_ext --inplace
   

   (注：若直接运行提供的 demo 脚本报错缺少模块，请执行此步)

基本使用

项目提供了一个经典的“噪声异或（Noisy XOR）”演示脚本，用于展示 Tsetlin Machine 的学习能力和抗噪性。

运行示例

在项目根目录下直接运行演示脚本：

python NoisyXORDemo.py

预期输出

运行成功后，您将看到类似以下的输出，展示了模型在无噪声测试集和高噪声训练集上的表现，以及具体的逻辑预测规则：

Accuracy on test data (no noise): 1.0
Accuracy on training data (40% noise): 0.603

Prediction: x1 = 1, x2 = 0, ... -> y =  1
Prediction: x1 = 0, x2 = 1, ... -> y =  1
Prediction: x1 = 0, x2 = 0, ... -> y =  0
Prediction: x1 = 1, x2 = 1, ... -> y =  0

结果解读

• 准确率：模型在纯净测试数据上达到了 100% 的准确率，证明了其强大的泛化能力。
• 可解释性：输出清晰地展示了学习到的逻辑规则（即 XOR 关系：当两个输入不同时输出 1，相同时输出 0），体现了 TM 模型“白盒”可解释的特性。