提出了一种将回归树与随机森林与经典 GAMLSS 框架中的分布并置合并的分布回归树和随机森林框架，以用于变量选择和建模非平滑依赖关系或高阶交互作用的情况，将其应用于大量气象预测数据生成的降水概率预测，并发现这种方法可以自动选择变量和交互作用，性能与计算成本高的提前预测信息或增强方法 GAMLSS 的性能相当甚至更好。

Apr, 2018

介绍了一种名为深度条件变换模型的方法，可用于学习条件累积分布函数，该方法将现有方法统一起来，并同时学习可解释（非）线性模型项和更复杂的神经网络预测器

Oct, 2020

提供一种新的方法，用于校准具有局部覆盖保证的回归问题的预测区间，该方法基于训练回归树和随机森林的合规得分创建最粗糙的特征空间划分，适用于各种合规得分和预测设置，且在模拟和实际数据集中表现出比现有基准更优的可扩展性和性能。

Feb, 2024

动态回归树是一种自动回归和分类的有吸引力的选择，可用于在线应用程序设置中具有复杂响应曲面的情况。本文提出了一种序列树模型及其粒子学习算法，这种算法允许对树状态进行高效的在线后验过滤。除此之外，本文还探讨了常数和线性均值函数以及分类问题的多项式叶子等问题，并提出了默认的先验规范。本文还详细说明了每个应用程序的具体方法。最后，实验证明，我们的方法在成本的一小部分下能够提供比常用方法更好的结果。

Dec, 2009

本文介绍了一种新的深度概率模型，叫作 “生成森林”，这种模型将随机森林扩展到了生成模型，可以表示整个特征空间上的联合分布，解决了判别模型缺乏处理预测不确定性方法的问题，并且可以测量每个预测的稳健性和检测分布外的样本。

Jul, 2020

我们提出了一种基于流的生成模型，专门用于表格数据的密度回归任务，通过在初始均匀噪声上应用一系列基于树的分段线性变换，最终生成给定协变量的复杂条件密度的 (单变量或多变量) 结果样本，并允许对样本空间中任意点的配准条件密度进行高效的分析评估。

Jun, 2024

本研究提出了一种基于条件分布模型（如分位数和分布回归）构建有条件有效的预测区间的健壮方法，可以应用于横截面预测、k 步预测、合成控制和反事实预测、个体治疗效果预测等重要预测问题。

Sep, 2019

该研究使用基于树的集成方法，如随机森林、梯度提升树和贝叶斯增加回归树，在许多应用和研究中成功地用于回归问题。本文研究了概率回归树的集成版本，通过将每个观测分配到相对应的概率分布区域，为目标函数提供平滑逼近。我们证明了所考虑的概率回归树的集成版本是一致的，并在实验中研究了它们的偏差 - 方差折衷，并与最先进的性能预测方法进行比较。

Jun, 2024

该研究提出了广义随机森林方法，用于基于随机森林进行非参数统计估计，可以用于拟合任何被识别为满足一组局部矩方程的解的感兴趣数量，提出了一种灵活且计算有效的算法以及新的非参数回归，条件平均偏差估计和异质性治疗效应估计方法，通过本研究可用 GRF 软件实现。

Oct, 2016

提出一种基于 MMD 分布度量的新的森林构建方法，用于多元响应的联合条件分布，由此产生的权重定义了完全条件分布的估计，可用于任意复杂的目标，适用于用 Python 和 R 包 drf 的广泛示例。

May, 2020