# The Tsetlin Machine Goes Deep: Logical Learning and Reasoning With Graphs

### 저자

Ole-Christoffer Granmo, Youmna Abdelwahab, Per-Arne Andersen, Karl Audun K. Borgersen, Paul F. A. Clarke, Kunal Dumbre, Ylva Gr{\o}nnings{\ae}ter, Vojtech Halenka, Runar Helin, Lei Jiao, Ahmed Khalid, Rebekka Omslandseter, Rupsa Saha, Mayur Shende, Xuan Zhang

### 💡 개요

본 논문은 그래프 구조의 입력 데이터를 학습하기 위한 해석 가능한 심층 논리 규칙을 생성하는 Graph Tsetlin Machine (GraphTM)을 제안합니다. GraphTM은 메시지 전달 메커니즘을 통해 중첩된 심층 논리 규칙을 구축하여, 기존 Tsetlin Machine보다 훨씬 적은 수의 규칙으로 하위 그래프 패턴을 인식함으로써 해석력과 데이터 활용도를 높입니다. 이미지 분류, 액션 코어퍼런스 추적, 추천 시스템, 바이러스 유전체 시퀀스 데이터 등 다양한 분야에서 뛰어난 성능과 효율성을 입증했습니다.

### 🔑 시사점 및 한계

- GraphTM은 그래프 구조 데이터를 위한 해석 가능한 심층 논리 규칙 학습을 가능하게 하여, 기존 Tsetlin Machine의 해석 가능성과 효율성을 유지하면서도 복잡한 데이터 구조에 대한 학습 능력을 확장합니다.

- 메시지 전달을 통한 중첩된 심층 논리 규칙의 학습은 적은 수의 규칙으로도 패턴을 효과적으로 인식하게 하여, 데이터 활용도를 높이고 해석력을 강화합니다.

- 다양한 응용 분야에서의 실험은 GraphTM이 이미지, 시퀀스, 관계형 데이터 등 다양한 형태의 데이터에 적용 가능하며, 기존 딥러닝 및 강화학습 방법론과 비교하여 경쟁력 있는 성능을 제공함을 보여줍니다.

- GraphTM의 복잡성과 확장성에 대한 추가적인 이론적 분석과 더 넓은 범위의 데이터셋에 대한 검증이 향후 연구 과제로 남아있습니다.

[PDF 보기](https://arxiv.org/pdf/2507.14874)

For the site tree, see the [root Markdown](https://slashpage.com/haebom.md).