Mar, 2017

深度嵌入森林：基于深度嵌入特征的森林式服务

PDF
TL;DR该论文提出了一种名为 Deep Embedding Forest 的模型，采用嵌入层和基于树 / 森林的层，以实现快速服务支持，同时借鉴 Deep Neural Networks 的高维特征映射能力，通过仅使用传统硬件，该模型在性能上与 DNN 模型相当。
deep neural networksdeep embedding forestserving time optimizationtree-based modelsfeature mapping
发现论文，激发创造
  • 深林

    探索基于不可微分模块建立深度模型的可能性，提出了树集成方法 gcForest。实验表明，该方法具有很强的鲁棒性，在大多数情况下，即使在不同领域的不同数据中，使用相同的默认设置也能获得出色的性能。

    Feb, 2017

  • 深度森林多标签学习

    该研究提出了一个名为 MLDF 的多标签深度森林方法，该方法利用度量感知特征重用和度量感知层增长机制同时解决了多标签问题中的两个难点：模型复杂性约束和性能度量优化。实验证明，与基准数据集上的其他方法相比，我们的提议不仅击败了六个度量标准，而且在多标签学习中具有标签相关性发现和其他期望的属性。

    Nov, 2019

  • 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

  • 深林模型的高效 FPGA 加速器

    本文提出了一种有效的硬件加速器，第一次在 FPGA 上实现深度森林模型，通过精细的节点计算单元、高效的架构和自适应数据流以及优化的存储方案，显著缩短计算时间，提高硬件利用率和功耗效率。

    Nov, 2022

  • 分布式深度森林及其在自动检测提现欺诈中的应用

    本研究基于原始 deep forest 模型，引入 MART 基础学习者，成本方法，MART 特征选择和不同评价指标等模型改进，开发出可用于极大规模任务的分布式 deep forest 模型，检测到超过 1 亿个训练样本的现金提款欺诈，实验结果表明该模型具有最佳性能，可以阻止每天大量的欺诈交易和显著降低经济损失。

    May, 2018

  • 基于 FFT 的深度学习在嵌入式系统中的部署

    本研究提出了基于快速傅里叶变换（FFT）的深度神经网络（DNN）训练和推断模型，适用于嵌入式平台，旨在减少计算和存储的渐近复杂度，提高了处理速度。

    Dec, 2017

  • 连接点：基于图神经网络的医学图像集成与分类

    利用图神经网络对医学图像进行特征提取和模型关系建模，以提供一种经济可行且可扩展的医学图像分类策略，显著减少对大量训练数据集的依赖。

    Nov, 2023

  • 森林中的自编码器

    本文提出了基于树集成的自编码器模型 EncoderForest，可以利用决策树的等价类进行反向重建， 相较于深度神经网络的自编码器，具有更低的重建误差和快速训练速度，并且易于复用和耐损伤。

    Sep, 2017

  • 嵌入树：在嵌入中对实体特征进行层次探索

    提出了一种层次嵌入探索算法 EmbeddingTree，通过关联语义和嵌入向量，解释了特征是如何在学习到的嵌入空间中被编码的。同时还开发了交互式可视化工具，帮助用户探索高维嵌入，并演示了在工业规模的商家数据和公开的音乐播放列表数据集上生成的嵌入的有效性。

    Aug, 2023

  • 使用深度生成森林进行鲁棒分类

    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