May, 2015

在线监督和无监督学习的边界森林算法

PDF
TL;DRBoundary Forest (BF) 算法是一个新型的基于实例的学习算法，可用于监督和无监督学习，其中通过构建树的森林来存储先前的实例，以实现增量更新，因此适用于实时应用程序，训练时间复杂度为 O (DNlog (N))，测试为 O (Dlog (N))
instance-based learningboundary forest algorithmsupervised learningunsupervised learningreal-time applications
发现论文，激发创造
  • 定向边缘森林用于边界检测

    本文提出了一种基于随机森林分类器学习边缘检测的简单有效模型，该方法结合了对训练样例的高效聚类以及针对多尺度组合之前进行校准的树输出概率的尺度依赖性校准，该模型优于已发表的在 BSDS500 数据集中的边界检测基准的结果，并且在大型数据集上，我们的模型需要更少的内存训练，并且比结构化森林模型的训练速度快了 10 倍。

    Dec, 2014

  • 基于神经网络体系结构的通用决策树集成：分布式梯度提升森林 (DGBF)

    决策树组合算法（如 RandomForest 和 GradientBoosting）在对于离散或表格数据进行建模方面是主导方法，但是由于它们无法像神经网络那样从原始数据中进行层次化表示学习，因此限制了其在深度学习问题和建模非结构化数据方面的应用。然而，本研究表明通过将 bagging 和 boosting 的数学形式结合起来，可以定义一个具有分布式表示学习过程的图结构树集成算法，并且不需要使用反向传播算法，我们称之为分布式梯度提升森林（DGBF）。最后，我们发现分布式学习在 9 个数据集中的 7 个中表现优于 RandomForest 和 GradientBoosting。

    Feb, 2024

  • 大数据的随机森林

    本文主要关注于基于分类问题的随机森林模型处理大数据问题的现有方案，并尝试了五个变体实验，探究它们的相对性能和局限性。

    Nov, 2015

  • OptIForest: 异常检测的最优独立森林

    本研究旨在回答孤立森林隔离效率的理论最优分支因子，并通过偏差减少实现更好的偏差 - 方差权衡，提出一种 OptIForest 算法，结合基于聚类的哈希学习，以实现更好的隔离效果、更高效且更具鲁棒性。在一系列基准数据集上的实验表明，该方法普遍优于深度学习等现有方法。

    Jun, 2023

  • 无监督学习词形树

    本文关注无监督建模形态家族，用整数线性规划 (ILP) 和对比评估解决了此问题，并在三个任务中进行了评估。实验表明，我们的模型在根检测，形态家族聚类和分割等任务方面相较于之前的研究获得了显著进展。

    Feb, 2017

  • DBN 近似推理的分解前沿算法

    本文介绍了动态贝叶斯网络中的 Factor Frontier 算法，描述了其与 Loopy 信念传播算法 (简称 LBP) 的循环迭代等价性，对水处理厂和高速公路交通模型进行了实证研究，发现通过迭代，LBP 可以提高模型的准确度，适用于准确更新步骤不可行的情况。

    Jan, 2013

  • FedGBF: 一种基于梯度提升和 Bagging 的有效垂直联邦学习框架

    研究提出了一种名为 Federated Gradient Boosting Forest (FedGBF) 的模型，它能够同时并行地建立决策树作为提升的基础学习器，提高性能并减少时间成本，同时还提出了一种动态更新参数的方法减少复杂度，并在基准数据集上进行了实验，证明了该方法的优越性。

    Apr, 2022

  • 蒙德里安森林：高效的在线随机森林

    通过蒙德里安过程（Mondrian Processes），构建的增量 / 在线 Mondrian Forests 能够实现与在线随机森林算法和定期重新训练的批量随机森林算法的有竞争力的预测性能，并且速度更快，从而代表更好的计算与准确性权衡。

    Jun, 2014

  • 使用可微分边界树学习深度最近邻表示

    该论文提出了一种称为 differentiable boundary tree 的新方法，它可以学习深度 kNN 表示，以便于构建高效的、易于解释的树。

    Feb, 2017

  • 利用森林集成从部分标签中学习结构化输出

    我们提出了一种基于 AdaBoost.MRF 的有效算法，用于在具有普遍结构的学习结构化输出时。该算法可以处理部分标签，并具有完全收敛的保证，适用于多层次建模的室内视频监控场景。

    Jul, 2014