本文介绍的新 Boolformer 模型为符号逻辑任务提供了一个开创性的解决方案。它代表了第一种机器学习方法，可以仅从输入-输出示例中直接诱导出紧凑的布尔公式。
最重要的是，Boolformer 可以系统地泛化到比训练时更复杂的函数和数据。在其他最先进的模型中，这种更高层次理解的标志仍然难以实现。
学习到的公式对模型的内部运作完全透明，从而开启了可解释性。这与传统神经网络的不透明形成了鲜明对比。可解释性将是安全部署人工智能的关键。
实验证明，在现实世界的二元分类问题上，Boolformer 与随机森林和逻辑回归等经典机器学习技术的预测准确性不相上下，甚至有过之而无不及。但与这些方法不同的是，Boolformer 还能为其预测提供简明、合理的解释。
总之，Boolformer 代表了可解释、符合逻辑和科学思维的机器学习领域的突破性进展。它融合了强大的性能、稳健的泛化和透明的推理，标志着人工智能技术正在向更可信、更有用的系统转变。
此存储库包含论文Boolformer：带有转换器的布尔函数的符号回归 的代码。
Boolformer 方法可用于容错计算，原因有几个：
- 对噪声的鲁棒性 - 模型经过训练，可处理输出位翻转的噪声、不完整数据。这提供了对错误的内在鲁棒性。
- 近似逻辑 - 能够找到与数据近似匹配的简化布尔公式，从而实现 "足够好 "的电路，以抵御故障。
- 快速推理 - 该模型只需一次前向传递，因此可在发生故障后快速恢复或重新配置。
- 电路紧凑 - 简化的公式需要的逻辑门更少。这就减少了电路中故障点的数量。
- 可解释性 - 通过符号公式可以验证正确性，并在出错后诊断问题。
- 自动设计 - 该模型可帮助自动合成针对特定应用进行优化的容错电路。
- 平滑降级 - 近似电路可表现出更平滑的质量降级，而非灾难性故障。
Boolformer 方法与传统的大型语言模型（LLM）（如 GPT）在几个关键方面有所不同：
- 任务制定 - Boolformer 专门针对逻辑公式的符号回归进行训练，而 LLM 则根据语言建模目标进行训练。
- 可解释性--离散的符号公式为模型的推理提供了完全的透明度，而 LLM 的内部表示则不透明。
- 通用性 - Boolformer 在分布外逻辑任务中显示出系统的通用性。而 LLM 往往利用表面形式的捷径，缺乏强大的泛化能力。
- 推理 - 相对于 LLMs 松散的联想推理，Boolformer 可进行结构化逻辑推理。注意力模式揭示了对变量依赖关系的结构化分析。
- 样本效率 - Boolformer 可以从 16 个示例等小数据中学习可解释的公式。而 LLM 需要更多数量级的数据才能拟合任意函数。
- 归纳偏差 - Boolformer 偏向于采用更简单、更通用的外推解决方案。LLM 对其归纳偏差的控制能力较弱。
- 组合泛化 - Boolformer 可以很好地处理组合空间，而 LLMs 则难以处理数学等组合空间。