多个决策树
本研究探讨了多个概率预测方法，包括基于信任函数和可靠分类的方法以及我们称之为证据累加的原则。实验结果表明证据累加的效果优于投票和取平均值的方法，特别是在中等规模的叶子节点上。
Aug, 2022
本文研究了带有随机决策树的监督学习，分析和比较了三种不同的算法，并提出了差分隐私版本的所有三种方案。通过数学证明了正确分类大部分数据所需的独立随机决策树的数量，并给出了泛化误差的上限。最终得出了大多数投票和阈值平均是过程中精度最高的方法，并提供了简单的大多数投票规则作为差分隐私分类器。
Oct, 2014
本研究提出了一个同时构建决策树并在构建过程中评估它们组合效果的算法框架，通过构建新的决策树组合和评估其组合性能来找到更好的组合。通过在合成和基准数据上进行实验验证了该框架的性能。
Feb, 2024
本篇论文利用决策树表示数据观测过程并使用基于贝叶斯决策理论的先验概率分布，将实现统计上最优的预测结果。同时，我们解决了计算 Bayes 最优预测的问题，例如内部节点的特征分配问题，实现方法为应用马尔可夫链 - 蒙特卡洛方法，其步长可以根据先验分布自适应调整。
Jun, 2023
本研究提出了一种基于树模型进行模型平均的方法，旨在提高分布式数据网络下个性化治疗效果 (CATE) 估计精度，包括通过站点划分与模型组合来建模数据源异质性等。该方法通过真实世界数据的研究和全面的仿真实验表明其性能和提高治疗效果估计的实用价值。
Mar, 2021
提出了一种用于构建决策树的方法，可以近似复杂机器学习模型的性能，可用于解释和简化随机森林（RFs）和其他模型的预测模式。在医学问卷中，树形结构特别有意义，因为它使问卷自适应地缩短，减轻回答负担。 研究了分裂的渐近行为，并引入了一种改进的分裂方法，旨在稳定树形结构。经实验证明，我们的方法可以同时实现高近似性和稳定性。
Oct, 2016
本文提出了一种混合整数规划的方法来构建特定大小的最优决策树，采用特殊结构的分类特征，考虑每个节点上基于特征子集的组合决策，并通过阈值处理处理数值特征，证明了在中等规模的训练集下，采用小型决策树可获得很高的准确率，我们使用现代求解器解决所提出的优化问题。
Dec, 2016
本篇论文探讨了通过合并不同 MuJoCo 运动问题的决策 Transformer 子集，形成多任务模型（无集中式训练），从而更加灵活地创造通用策略的初步方法，同时提出了合并政策的更优结果可能性，并建议使用共同的预先训练初始化，以及在问题特定微调期间共同训练共享辅助任务，以帮助实现通用智能体的民主化和分布式过程。
Mar, 2023