随机森林的机器反学习
通过利用机器反学习方法，FairDebugger 能够识别造成随机森林分类器结果不公平的训练数据子集，并生成前 k 个解释（以一致的训练数据子集形式）来解释模型的不公平行为。
Feb, 2024
本文将决策树和随机森林重新解释为生成模型，从而引入了一种能够处理缺失数据和异常检测的新型混合生成 - 判别模型族。通过在实验中与 K 近邻插补等处理缺失数据的方法进行比较，我们发现该模型能够自然地处理数据缺失和异常值检测。
Jun, 2020
数据估值与个人数据所有权、数据保护法规、DeRDaVa 和风险厌恶 / 寻求模型所有者等相关，我们提出了一种数据估值框架 DeRDaVa，并将其推广到 Risk-DeRDaVa，以适应风险厌恶 / 寻求模型所有者的需求，并进行了实证研究。
Dec, 2023
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
该研究提出了两种基于深度可微随机森林方法的年龄估计模型：Deep Label Distribution Learning Forest 和 Deep Regression Forest，通过对分割节点和叶节点进行交替优化学习更好的树形参数估计，取得了三个年龄估计数据集上最优的性能表现。
Jul, 2019
本文介绍了一种使用 Reduced Robust Random Cut Forest (RRRCF) 数据结构的新方法来检测数据集是否处于训练分布，该方法在低维和高维数据的实证结果表明可以有效地进行数据分布的推断，而且该模型易于训练，并且不需要进行困难的超参数调整，用例包括测试和验证结果。
Jun, 2022
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