标签
论文提出 MotherTree,一个通过合成先验数据进行元学习的表格 Transformer,可在单次前向传播中输出可解释的硬决策树,在小样本任务上表现优于从零训练的梯度方法,并可作为强初始化器进一步提升决策树学习。
提出一种新的滚动时域近似分支-归约方法,用于在具有连续特征的大规模数据集上训练近最优的深度分类树,在精度上优于启发式基线方法,同时具备远超全局最优求解器的可扩展性。
本文提出了一种名为TREVIS的方法,该方法利用树形Transformer变分自编码器在连续潜在空间中进行优化,从而学习稀疏决策树,实现了良好的预测性能并提升了结构稀疏性。
本文介绍了 ArborEnum,这是首个无需二值化即可在连续特征上精确枚举决策树 Rashomon 集的算法,同时提供了松弛近似和任意时间近似,这些近似方法可在保持近乎完美召回率的同时实现数量级的加速。
本文提出了一种基于邻近树与集成学习的层次化、设计上可解释的关键实例选择模型。该模型与数据模态无关,并在表格、文本、图像和时间序列数据集上展现了具有竞争力的结果。
介绍了多阶段延迟树,这是一系列稀疏决策树,将困难样本延迟到后续树或黑盒模型,旨在在保持大部分预测可解释的同时达到集成模型的准确率。
PRAXIS是一种新算法,能够高效近似接近最优决策树的罗生门集合,在运行时间和内存使用上实现数量级的改进,同时保持近乎完美的召回率。
本文研究了增量决策树集成中的分歧漂移检测方法,发现在神经网络中有效的方法在树集成中表现不如基于损失的检测器,原因是模型塑性有限。