ICMLSep, 2013

功能评估的决策树 - 最差和期望成本的同时优化

PDF
TL;DR通过自适应查询变量值评估离散函数的策略的设计，该算法可以同时实现预期和最坏情况下的对数逼近，即使在计算费用较高的情况下，该算法也可以作为一种自动诊断和主动学习的解决方案。
automatic diagnosisactive learningdecision treeworst casecomputational cost
发现论文，激发创造
  • 在决策树问题中平衡最坏和期望成本与基于价值的模型

    研究采用自适应方式查询变量的值，设计决策树以最小化最坏 / 期望代价，并给出一种新的构造方法，可在最坏 / 期望代价之间进行权衡，同时研究变量读取成本具有变化的变体问题，并提供最坏代价之最小化的近似算法。

    Jun, 2014

  • 参数成本函数近似：多阶段随机规划的新方法

    本文介绍了一种参数化确定性优化模型的方法，以代替在解决多阶段随机规划问题时繁琐的随机或动态规划方法，该方法可以有效地处理不确定性，并用非定常储能问题和滚动预测演示了其应用。

    Jan, 2022

  • 基于蒙特卡罗树搜索和价值函数的离散分布近似推断

    利用强化学习中的蒙特卡罗树搜索（Monte Carlo Tree Search）算法对概率模型的近似推理进行建模，提出了基于 “最佳先行探索” 的启发式方法来动态分配函数调用，并展示了该方法的效果优于标准的近似推理方法。

    Oct, 2019

  • 预测优化框架下的决策树决策

    该研究探讨了在 “先预测，再优化” 框架下使用决策树进行决策问题的决策，并提出了一种可观的方法称为 SPO Trees (SPOTs) 用于训练决策树，该方法具有较高的解释性。实验结果表明，SPOTs 可提供更高质量的决策，并显著降低了模型复杂性。

    Feb, 2020

  • 通用和可扩展的最优稀疏决策树

    通过提出一种决策树优化框架，解决了当前领域中两个开放性问题：不平衡数据处理和连续变量完全优化。此外，我们还介绍了一种可扩展的算法，可以在存在连续变量的情况下产生可证明的最优结果，并相对于现有技术将决策树构建速度提高了数个数量级。

    Jun, 2020

  • 决策树高效非贪婪优化

    该论文提出了一种算法，该算法能够基于全局目标同时优化决策树的所有级别的分裂函数和叶参数，使用随机梯度下降进行优化，实验结果表明，该算法相比贪心算法在分类任务的表现优秀。

    Nov, 2015

  • 具有最坏更新时间保证的全动态近似决策树

    给出了一种算法，该算法在任意插入和删除已标记示例的序列上维护了一棵近似的决策树，并具有最坏情况下的运行时间保证。

    Feb, 2023

  • 使用动态树进行变量选择和敏感性分析，并应用于计算机代码性能调优

    研究计算机代码自动调优，提出基于动态树模型的变量选择和敏感度分析新技术，并在优化代码调整、检测缓存效应和错误转换等方面应用。

    Aug, 2011

  • 多保真度查询噪音黑匣子优化：一种树搜索方法

    本文提出一种基于多保真度量的带组合式树搜索的算法来解决黑盒优化问题，该算法针对在低成本逼近和噪声情况下的黑盒函数求解高维最优参数问题。

    Oct, 2018

  • 带有噪声结果的最优决策树

    通过近似算法研究具有噪声结果的最优决策树问题，以及在测试或假设中具有大量噪声结果时性能逐渐下降的情况。

    Dec, 2023