심층 신경망(neural network)은 계층화된 수치 변환을 통해 높은 정확도를 달성하지만, 결정 근거가 명시적 규칙이 아닌 은닉 활성화에 인코딩되어 있어 결정을 검증하기 어렵습니다. 본 논문에서는 이진 신경망 교사 모델의 마지막 층(layer) 활성화 벡터(LLAV)를 세틀린 머신(TM) 절(clause)로 재구성하는 프레임워크인 CRISP를 소개합니다. CRISP는 교사 모델의 마지막 직전 층 로짓(logit) 전 활성화를 부호 기준 이진화하고, 각 LLAV 뉴런에 개별 TM(ITM)을 하나씩 할당합니다. 재구성된 각 은닉 비트는 불리언화(Booleanized)된 입력 특성에 대한 명제 절로 표현되어, 명명된 입력 임계값에서 명명된 교사 뉴런까지의 직접적인 기호적 추적을 제공합니다. CRISP는 BinaryConnect 합성곱 신경망(BCCNN) 교사 모델과 완전 이진 신경망(BNN) 교사 모델을 사용하여 MNIST, KMNIST, FashionMNIST(FMNIST), SVHN, CIFAR10에서 평가되었으며, 다양한 비트 심도에서의 이진 임계값 처리, 서모미터 인코딩(thermometer encoding), 사분위수 비닝(quartile binning)에 대한 추가 연구도 수행되었습니다. 실험 결과에 따르면 테스트된 BNN 설정에서 LLAV 부호 이진화는 교사 헤드 정확도를 저하시키지 않는 반면, ITM 재구성 오차가 주된 제한 요인인 것으로 나타났습니다. 사분위수 1비트 불리언화는 SVHN에서 87.52%의 테스트 충실도로 가장 높은 재구성 충실도를 보였고 CIFAR10에서도 경쟁력 있는 성능을 보였으며, 재구성된 LLAV는 FMNIST에서 78.41%의 교사 헤드 정확도를 유지했습니다. 풀링된 절-근거 시각화는 학습된 ITM 리터럴(literal)이 중앙 집중형 벤치마크에서 객체 영역에 집중됨을 보여줍니다. 따라서 CRISP는 이진 신경망 교사 모델의 최종 은닉 표현을 검사할 수 있는 절 수준의 경로를 제공합니다.
디지털 시대에 PDF(Portable Document Format)는 플랫폼 독립성과 풍부한 기능성 덕분에 디지털 문서의 저장 및 교환에 가장 널리 사용되는 파일 형식 중 하나이다. 그러나 이러한 특성은 동시에 PDF 파일을 사이버 공격자들에게 매력적인 공격 벡터로 만들었으며, 공격자들은 겉으로는 정상적으로 보이는 문서 내에 악성 코드를 삽입하여 대상 시스템을 침해한다. 본 논문은 PDF 악성코드 탐지를 위한 새로운 해석 가능한 Tsetlin Machine(TM) 기반 프레임워크를 제안한다. 제안된 프레임워크는 파일을 실행하지 않고 정적 분석을 통해 PDF 문서에서 주요 특징을 추출하고, 규칙 기반 학습을 적용하여 정상 및 악성 PDF 문서를 정확하게 분류한다. RIT-PDFMal-2026 데이터셋에 대한 수치 평가 결과, 제안된 프레임워크는 여러 ML 분류기 및 기존 방법과 비교하여 98.02%의 정확도를 달성하며 경쟁력 있는 성능을 보인다. 또한 제안된 프레임워크는 분류 결정을 투명하게 설명함으로써 본질적인 해석 가능성을 제공한다. 경쟁력 있는 탐지 성능, 계산 효율성, 그리고 본질적인 해석 가능성의 조합은 제안된 프레임워크를 실용적인 PDF 악성코드 탐지를 위한 유망한 솔루션으로 만든다.
Tsetlin Machine(TM)은 간단한 비트 연산과 유한 상태 오토마타(finite-state automata)에 의존하는 논리 기반 머신러닝 접근 방식으로, 엣지 AI 배포에 매력적입니다. 최근 연구는 Tsetlin Machine(TM) 기반의 코프로세서 및 가속기 설계에 집중해 왔습니다. 이러한 설계들은 높은 성능을 달성하지만, 일반적으로 긴밀하게 결합된 인터페이스, 마이크로코드 스타일 프로그래밍, 외부 호스트 프로세서에 의존하여 유연성과 프로그래밍 용이성을 제한합니다. 본 연구에서는 TM 추론에 맞춤화된 도메인 특화 RISC-V 마이크로프로세서 아키텍처와 설계 플로우를 제안합니다. RISC-V의 모듈형 구조를 활용하여, TM 워크로드에 대해 성능 향상과 낮은 에너지 소비를 목표로 하면서 프로그래밍 가능성을 유지하는 축소형 명령어 부분집합 프로세서를 설계했습니다. 명령어 프로파일링(profiling)을 사용하여 명령어 축소를 안내하고, 이어 TM 추론에 맞춘 데이터 경로와 제어 경로 단순화가 수행됩니다. 기준선(baseline)인 RV32IM 코어와 제안된 축소형 코어는 여러 데이터셋에서 평가되며, 추론 중 비트 연산에 의존하기 때문에 하드웨어 효율적인 기준선(baseline) 역할을 하는 이진화 신경망(BNN)과 비교됩니다. 결과는 TM이 여러 데이터셋에서 실행 시간을 최대 98% 단축하면서도 비교 가능하거나 더 높은 정확도(예: CIFAR-2에서 BNN의 60.0%에 비해 최대 88.18%)를 달성함을 보여줍니다. 또한, 제안된 설계는 평균 $29.7\times$의 에너지 소비 감소를 달성하여, 프로그래밍 가능하고 효율적인 엣지 AI 시스템에 대한 효과를 입증합니다.
BERT와 같은 사전학습된 언어 모델은 강력한 텍스트 분류 성능을 달성하지만 투명성이 부족하여 고위험 환경에서의 사용이 제한됩니다. Tsetlin Machine(TM)은 완전히 해석 가능한 절(clause) 기반 추론을 제공하지만 의미 정보를 거의 포착하지 못하며, 둘을 연결하려는 이전 시도들은 문맥적 의미를 놓치는 정적 단어 임베딩에 의존했습니다. 우리는 임베딩을 사용하지 않고 사전학습된 언어 모델의 지식을 TM으로 전이하는 의미 기반 사전학습 프레임워크를 제안합니다. 텍스트 샘플은 K-means 또는 Top2Vec를 사용하여 의미적으로 응집된 클러스터로 그룹화되며, 결과적으로 생성된 클러스터-샘플 쌍은 강화된 Type I 피드백을 통해 부정이 없는(non-negated) TM을 사전학습합니다. 이에 따라 TM은 다운스트림 태스크에서 파인튜닝되는 해석 가능한 의미 키워드를 학습합니다. 5개의 데이터셋에 걸쳐, 우리의 방법은 기본 TM 및 임베딩 기반 TM을 상당히 능가하며, 해석 가능성을 유지하면서 BERT와 경쟁력 있는 성능에 도달합니다.
결정 경계를 겨우 넘는 반사실적 설명(counterfactual explanations)은 노이즈나 모델 변동에 취약하므로, TRUST는 사용자가 지정한 목표 예측 신뢰도를 만족하는 최소 입력 변경을 직접 탐색하는 타겟 신뢰도 알고리즘 구제(algorithmic recourse) 프레임워크를 제안한다. 확률적 Tsetlin 머신(PTM)과 베이지안 최적화(Bayesian optimization)로 구현해 절(clause) 수준 안정성을 드러내며, 합성·실제 데이터셋에서 기존 경계 기반 방법보다 더 견고하고 해석 가능한 구제를 낮은 비용으로 달성한다.