Gå til hovedinnhold
0
Hopp til hovedinnhold

Utvikling så Tsetlin-maskinlæringsalgoritmen kan bruke kontinuerlige inn-verdier

Darshana Abeyrathna Kuruge (foto)

Ved å overvinne begrensningene ser vi at Tsetlin-maskinen yter sammenlignbart eller bedre enn en rekke populære maskinlæringsalgoritmer.

Kuruge Darshana Abeyrathna

Ph.d.-kandidat

Disputasen foregår på campus og digitalt. Se nederst på siden for hvordan publikum kan overvære disputasen digitalt (online).

 

Kuruge Darshana Abeyrathna fra Fakultet for teknologi og realfag ved UiA disputerer for ph.d.-graden med avhandlingen «Novel Tsetlin Machine Mechanisms for Logic-based Regression and Classification with Support for Continuous Input, Clause Weighting, Confidence Assessment, Deterministic Learning and Convolution» fredag 22 april 2022.

Han har fulgt doktorgradsprogrammet ved Fakultet for teknologi og realfag ved UiA, med spesialisering i IKT.

Slik oppsummerer Kuruge Darshana Abeyrathna selv avhandlingen:

Utvikling så Tsetlin-maskinlæringsalgoritmen kan bruke kontinuerlige inn-verdier

Menneskehjernen (og dyrehjernen) lærer blant annet fra syns-, smaks-, og hørselsinntrykk, gjennom erfaring.

Maskinlæring (ML) er denne læringens kunstige tvilling. ML er en gren innenfor kunstig intelligens som fokuserer på læring fra samhandling med et miljø, hvor erfaringene oversettes til numeriske verdier.

Tsetlin-maskinen og kontinuerlige verdier

Det finnes mange ML-algoritmer. Ulike algoritmer gir ulike fordeler og ulemper.

Det er miljøtypen og brukerkravene som bestemmer hvilken ML-algoritme som er best egnet.

Tsetlin-maskinen (TM) er en slik ML-algoritme, som er relativt ny innenfor ML-forskningen.

TMen har unike egenskaper og fordeler. Den kan imidlertid ikke brukes når læringsmiljøet representerer erfaring som kontinuerlige verdier.

TMen er binær og kan derfor ikke enkelt håndtere kontinuerlig innverdier eller produsere kontinuerlige utverdier.

Videre blir den binære mønsterrepresentasjonen og læringen mindre økonomisk.

Dermed reduseres tolkbarheten og beslutningshastighet, mens energiforbruk og minneavtrykket øker.

En binær utverdi forteller heller ikke noe om hvor sikker TMen er når brukeren ønsker å estimere treffsikkerheten bak en utverdi.

Fire endringer overvinner Tsetlin-maskinens begrensninger

I dette ph.d.-arbeidet adresserer vi TM-begrensningene beskrevet ovenfor ved å endre TM-arkitekturen og læringsprosedyren på fire måter:

  • Vi foreslår hvordan kontinuerlige verdier kan håndteres ved å (1) representere kontinuerlige innverdier statisk ved hjelp av binære terskler, (2) innføre adaptiv læring av kontinuerlige verdier direkte i TM-arkitekturen, og (3) omforme TM-arkitekturen slik at den støtter regresjon: en Regresjons-TM (RTM) som produserer kontinuerlige utverdier.
  • Vi har laget en ny TM-arkitektur som knytter vekter til de logiske mønstrene TMen lærer og viktigheten av disse i dataene. Vektene gjør den innlærte modellen mer kompakt, øker tolkbarheten og resonneringshastigheten, samtidig som minneforbruket reduseres.
  • Inkludering og ekskludering av inn-verdier i de logiske mønstrene bestemmes av såkalte Tsetlin-automater (TAer). Vi reduserer energiforbruket i læringsfasen ved å introdusere en ny type læringsautomat som vi kaller en flertrinns variabel-struktur endelig tilstandsautomat. Denne automaten gjør deterministiske tilstandshopp mens TAene i den originale TM er avhengig av energikostbar generering av tilfeldige tall.
  • Til slutt foreslår vi en metode for å erstatte den harde beslutningsfunksjonen som brukes av TMen for å produsere utverdier. Beslutningsfunksjonen erstattes av en logistisk funksjon. Denne tilnærmingen gjør det mulig å måle treffsikkerheten til TMen når den predikerer uverdier.

Ved å overvinne begrensningene over ser vi at TMen yter sammenlignbart eller bedre enn en rekke populære maskinlæringsalgoritmer.

Disputasfakta:

Prøveforelesning og disputas finner sted i Auditorium C2 040, Campus Grimstad og digitalt i konferanseprogrammet Zoom (lenke under).

Disputasen blir ledet av professor Frank Reichert, Fakultet for teknologi og realfag, Universitetet i Agder.

Prøveforelesning fredag 22 april kl 10:15

Disputas fredag 22 april kl 12:15

 

Oppgitt emne for prøveforelesning«A Tsetlin Machine SWOT analysis (strengths, weaknesses, opportunities, and threats) when compared to State-of-the-Art Machine Learning»

Tittel på avhandling«Novel Tsetlin Machine Mechanisms for Logic-based Regression and Classification with Support for Continuous Input, Clause Weighting, Confidence Assessment, Deterministic Learning, and Convolution»

Søk etter avhandlingen i AURA - Agder University Research Archive, som er et digitalt arkiv for vitenskapelige artikler, avhandlinger og masteroppgaver fra ansatte og studenter ved Universitetet i Agder. AURA blir jevnlig oppdatert.

Avhandlingen er tilgjengelig her:

https://uia.brage.unit.no/uia-xmlui/handle/11250/2990166

 

KandidatenKuruge Darshana Abeyrathna (1991, Kegalle, Sri Lanka) Bachelorgrad fra Asian Institute of Technology, Thailand og mastergrad fra Thammasat University, Thailand. I dag arbeider han som universitetslektor ved UiA.

Opponenter:

Førsteopponent: Førsteamanuensis Marek Druzdzel, PhD, Bialystok University of Technology, Polen

Annenopponent: Førsteamanuensis Kristian Hovde Liland, ph.d., NMBU, Norge

Bedømmelseskomitéen er ledet av professor Andreas Prinz, Universitetet i Agder

Veileder i doktorgradsarbeidet var professor Ole-Christoffer Granmo, Universitetet i Agder (hovedveileder) og professor Morten Goodwin (med-veileder)

Opponent ex auditorio:

Disputasleder inviterer til spørsmål ex auditorio i innledningen i disputasen, med tidsfrister. Det er en forutsetning at opponenten har lest avhandlingen. Disputasleders e-post er tilgjengelig i chat-funksjonen under disputasen. Spørsmål om ex auditorio kan sendes til disputasleder Frank Reichert på e-post frank.reichert@uia.no