该论文提出了一种形式化框架，名为 trace-set 区分，通过基于整数线性规划（ILP）和决策树学习的方法，可以实现零点定位程序内部的差异，从而有效地调试时间侧信道漏洞和可用性漏洞。

Feb, 2017

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

通过使用差分隐私，我们在小型数据集的情况下训练针对经济研究的简单线性回归的算法，在不牺牲数据隐私的情况下获得较高的性能。

Jul, 2020

用于预测分析的回归树通过估计梯度提高了模型的能力，并解决了不确定性量化的任务，同时提供了模型行为的解释。

May, 2024

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

通过估算异常检测模型产生的异常分数，我们提出了决策树离群值回归器（DTOR），这是一种用于为单个数据点生成基于规则的解释的技术。我们的结果表明，DTOR 在具有大量特征的数据集中表现出良好的鲁棒性，并且与其他基于规则的方法相比，生成的规则一致满足要解释的数据点。此外，我们的评估指标表明，在异常解释任务中，DTOR 的性能与 Anchors 相当，且执行时间较短。

Mar, 2024

本研究介绍了三种新的回归树算法，它们利用了线性预测器作为处理方法，并使用卡方检验来探测残余模式和拟合不足。同时，算法还使用泊松回归来进行比例风险建模。利用引入的算法可以识别出作用显著变量的重要性，同时还可以构造区间以评估每个节点的治疗效果。

Oct, 2014

研究一种学习针对回归问题的可解释表示的方法，将特征表示为由神经网络中常用的激活函数和其他基本函数组成的多类型表达树的网络。通过梯度下降来训练可微分特征，并利用特征在线性模型中的性能来加权每个表示子组件的变化率。该方法可以产生比梯度提升更小、在 100 个开源回归问题上的平均测试得分更高的表示。

Jul, 2018

为了解决模型比较中传统准确度无法描述模型差异的问题，提出使用联合代理树进行模型区分并在模型的决策逻辑上下文中可解释描述模型之间的差异。

Jun, 2023

本文提出一种新的利用 Dropouts 工具的方法，称为 DART 算法，用于解决多个回归树的集成模型中存在的过度特化问题，实验结果表明 DART 算法在排名、回归和分类任务中表现出优异的性能，并且在很大程度上克服了过度特化的问题。

May, 2015