tSeTlin machines
PulseAugur coverage of tSeTlin machines — every cluster mentioning tSeTlin machines across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
Tsetlin机获得压缩循环反馈，实现高效的序列推理
研究人员开发了一种压缩Tsetlin机中循环反馈的新方法，旨在提高小型设备上的序列推理能力。该方法使用异或（XOR）折叠来减小循环连接的宽度，并在两个时间尺度上保留折叠位，然后将它们阈值化为二元状态。在布尔有限状态机基准上的评估表明，与原始反馈相比，压缩模型实现了约61-63%的准确率，对性能的影响最小，但执行时间和循环宽度显著减少。
-
量子逻辑 Tsetlin 机器将经典子句学习与量子命题相结合
研究人员推出了一种新方法——量子逻辑 Tsetlin 机器 (QL-TM)，它将经典的 Tsetlin 机器与量子命题相结合。这种新模型用量子投影仪取代布尔文字，并利用对易测量上下文根据 Born 概率激活子句。QL-TM 在特定上下文中可以精确地还原为传统的布尔 Tsetlin 机器，并将 Pauli 投影仪子句与稳定器和综合子句语义联系起来。在各种量子态和任务上的实验结果表明，QL-TM 在使用正确的量子上下文时可以恢复有意义的子…
-
新的TRUST框架生成具有目标置信度的反事实解释，以实现稳健的AI追溯
研究人员推出了一种名为Target-confidence Recourse Using tSeTlin machines (TRUST)的新框架，用于在高风险决策系统中生成反事实解释。与专注于最小化修改以翻转模型决策的现有方法不同，TRUST允许用户指定所需的预测置信度水平。这种方法旨在通过直接搜索满足用户定义置信度目标的最小输入修改，而不是依赖于脆弱的边界穿越反事实解释，来产生更稳健和可解释的追溯。实验表明，TRUST可以实现高稳健…
-
新的TRUST框架提供目标置信度反事实解释
研究人员推出TRUST，一个用于在高风险决策系统中生成目标置信度反事实解释的新颖框架。与关注最小输入更改的现有方法不同，TRUST允许用户指定期望的预测置信度水平。这种方法通过直接搜索满足置信度目标的最小修改，而不是在生成后评估置信度，从而实现更强大、更可解释的算法追索形式。该框架利用概率Tsetlin机器（PTMs）和贝叶斯优化来连接预测置信度与决策规则稳定性，为算法决策的可靠性提供可操作的见解。