本文提出了 TransBoost，这是一种细调任何深度神经模型并显著提高其性能的方法，有效地适用于各种图像分类数据集，并在多种结构上达到了最先进的传导性能。

May, 2022

本文提出了一种名为 SecureBoost 的隐私保护决策树增强系统，旨在使用联邦学习框架实现数据共享，该框架在不遵守用户隐私的前提下，通过实体对齐和加密来对多方进行决策树增强，并且 SecureBoost 可与其他受欢迎的增强算法实现同样准确率，同时保护每个数据提供者的隐私。

Jan, 2019

TF Boosted Trees 是一种基于 TensorFlow 的新型开源框架，用于分布式训练梯度提升树，其特点包括新颖的架构、自动损失分化、逐层提升、多类别处理和各种规范化技术等。

Oct, 2017

融合去噪扩散概率模型和梯度提升方法，引入扩散增强范式以解决监督学习问题。我们开发了扩散增强树（DBT），它可以被视为一种新的去噪扩散生成模型，其参数由决策树（每个扩散时间步长一个单一树）进行参数化，同时也是一种新的提升算法，可以把弱学习器结合成条件分布的强学习器，而不对其密度形式进行显式的参数化假设。通过实验证明了 DBT 相较于基于深度神经网络的扩散模型的优势，以及 DBT 在真实回归任务上的能力，并展示了将 DBT 应用于表格数据（欺诈检测）进行分类学习且具备学习推迟的能力。

Jun, 2024

提出了基于块的分布式梯度提升树算法（GBT），以解决传统分布式 GBT 算法中针对数据点而非特征的可扩展性问题。该算法针对数据稀疏性和数据特征进行了定制，通过适应 Quickscorer 算法在块分布式设置中的使用，可在稀疏数据中实现通信成本的多个数量级降低，同时不损失准确性。

Apr, 2019

本文介绍了一种名为 XGBoost 的高可扩展的树提升系统，该系统采用稀疏数据的新型稀疏感知算法和加权分位数草图以实现近似树学习，结合了缓存访问模式、数据压缩和分片等方法，能够在使用远少于现有系统的资源情况下，扩展到数十亿个示例。

Mar, 2016

通过创新 GBDT 算法的两种方法，即序贯学习和克服反事实性，用于 uplift modeling，该研究提出了一种能够优化资源分配、最大化整体回报的客户激励估计模型，并且在大规模数据集上的实验证明了该方法的有效性。为了方便应用，还开发了针对 uplift modeling 的具体设计的树提升系统 UTBoost。

Dec, 2023

我们探讨了利用迁移学习技术解决金融投资组合优化问题的可能性，引入了一个名为 “迁移风险” 的新概念，并在迁移学习的优化框架中进行了一系列数字实验，揭示了迁移风险与迁移学习方法整体性能之间的强相关性，验证了迁移风险作为 “可迁移性” 的可行指标的重要性，迁移风险证明提供了一种计算高效的方法来识别迁移学习中适当的源任务，增强了迁移学习方法的效率和效果，此外，数字实验为不同设置下的投资组合管理提供了有价值的新见解。

Jul, 2023

描述了两种扩展标准树提升算法以提高小型模型精度的方法：一是将提升形式从标量树扩展到矢量树以支持多类分类器，二是采用逐层提升方法在函数空间中进行更小的步长，从而达到更快的收敛和更紧凑的集合，并在各种多类数据集上证明了其功效。

Oct, 2017

利用 XGBoost 和 LightGBM 等机器学习模型，通过应用先进的机器学习模型和数据处理技术，本研究开发了一种更准确、更稳健的支付安全保护模型，有效提升了交易欺诈预防的能力。

Jun, 2024