本文提出了 TripletBoost, 一种在比较基础上学习分类器的方法，可适用于任何度量空间数据并仅使用被动获得和带噪声的三组信息处理大规模问题，同时具备良好的理论推广性能和抗噪能力。

Oct, 2018

本文提出一种简单且有效的方法，将寻找分类或回归森林的反事实解释所需的最优化问题限制在由实际数据点填充的森林定义的输入空间区域，并使用某个数据集上的某个距离的最近邻搜索来解决问题。这种解决方式有两个优点：能够快速找到解决方案，并且更有可能是现实的，因为它是引导向输入空间的高密度区域的。

Mar, 2023

随机森林是一种通过构建多个随机决策树，通过平均聚合其预测结果的机器学习算法，可应用于广泛的预测问题并且具有较高的精度，同时支持小样本大小，高维特征空间和复杂数据结构的应对，本文在加法回归模型的情况下证明了该算法的一致性，并探究了随机森林如何很好地适应稀疏性。

May, 2014

该论文综述了随机森林算法的理论和方法发展，重点讨论了参数选择、重采样机制和变量重要性测量等数学因素驱动该算法，并强调了其在分类、回归和变量重要性测量等方面的应用。

Nov, 2015

使用基于随机森林的分类器来学习单个度量标准，实现在特征空间内自适应地调整距离函数，该方法在多个数据集上表现出色，并且在准确性和速度方面均优于现有的全局和多度量方法。

Jan, 2012

本研究旨在比较使用不同距离度量方法的 Optimum-Path Forest（OPF）分类算法的性能，将其与基准分类器进行比较，并使用不同领域的文献数据集进行实验。实验结果表明，OPF 适应不同领域的能力良好。

Feb, 2022

通过观察输入的变化如何映射到决策空间中的实例的移动，随着输入的改变将特定的实例靠近内部组或外部组，可以揭示每个要素的独立贡献，从而计算特征对于决策过程的贡献，这使得黑盒决策的解释成为可能。

Jul, 2018

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

研究了随机森林模型的统计性质，证明其是一致的，适应于稀疏数据，收敛速度只与有效特征的数量有关。

May, 2010

通过使用 out-of-bag 样本来提高随机森林的泛化误差表现。对 UCI 数据库中的四个数据集进行的初步实证研究表明，随机森林的规模有所减小，而精度损失不大。

Mar, 2017