May, 2022

对抗性随机森林用于密度估计和生成建模

PDF
TL;DR本文提出了使用无监督随机森林的新型密度估计和数据合成方法。通过交替的生成和区分，树逐渐学习到数据的结构属性。 与经典的基于树的替代方案不同，我们的方法提供平滑的（非）条件密度并允许完全合成数据生成。 在执行速度平均快大约两个数量级的同时，我们在各种表格数据基准测试上实现了与最先进的概率电路和深度学习模型可比或更好的性能。
density estimationunsupervised random forestsgenerative adversarial networksdata synthesissynthetic data generation
发现论文，激发创造
  • arfpy: 一种用于密度估计和生成建模的 Python 包，基于对抗性随机森林

    介绍了 $ extit {arfpy}$，它是 Adversarial Random Forests (ARF) (Watson et al., 2023) 的 Python 实现，用于合成类似给定数据的新数据，供科学领域的用户轻松生成数据。

    Nov, 2023

  • 广义随机森林

    该研究提出了广义随机森林方法，用于基于随机森林进行非参数统计估计，可以用于拟合任何被识别为满足一组局部矩方程的解的感兴趣数量，提出了一种灵活且计算有效的算法以及新的非参数回归，条件平均偏差估计和异质性治疗效应估计方法，通过本研究可用 GRF 软件实现。

    Oct, 2016

  • 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

  • 生成可信任的模型无关反事实解释的对抗随机森林

    利用对抗式随机森林（ARFs）的生成建模技术，本文以模型独立的方式高效生成可信的反事实解释，克服了现有方法的局限性，包括易于训练、计算高效、自然处理连续和分类数据以及方便集成额外的期望，如稀疏性。

    Apr, 2024

  • 森林密度估计

    本文研究了高维图估计和密度估计问题，并使用基于森林结构无向图模型的一族密度估计器。对于图估计，研究了估计具有限制树大小的森林的问题，并开发了一种近似算法。

    Jan, 2010

  • 正交随机森林用于因果推断

    我们提出了正交随机森林算法，该算法结合了 Neyman - 正交减少估计误差对无关参数的敏感度，与广义随机森林，通过随机森林对条件矩模型进行灵活的非参数统计估计。我们提供了一致性速率，并为我们的估计器建立了渐进正态性。我们展示了在无关参数的一致性速率具有渐近性的温和假设下，我们可以实现与先验知识相同的错误率。我们展示了当无关函数具有局部稀疏参数化时，本地 l1 - 惩罚回归实现所需速率。我们将我们的方法应用于从离散或连续处理的观察数据中估计异质处理效应，并且我们显示，与先前的工作不同，我们的方法可以在标准稀疏条件下控制高维变量集。我们还对我们算法在合成和实际数据上进行了全面的实证评估。

    Jun, 2018

  • 利用随机森林估计和推断异质性处理效应

    本文介绍了一种非参数因果森林方法，用于估计异质性处理效应，并讨论了一种实用方法以构建渐近置信区间来评估真实处理效应，结果表明在存在无关协变量的情况下，因果森林方法比最近邻匹配等经典方法更为有效。

    Oct, 2015

  • 树流生成密度回归建模

    我们提出了一种基于流的生成模型，专门用于表格数据的密度回归任务，通过在初始均匀噪声上应用一系列基于树的分段线性变换，最终生成给定协变量的复杂条件密度的 (单变量或多变量) 结果样本，并允许对样本空间中任意点的配准条件密度进行高效的分析评估。

    Jun, 2024

  • 机器学习模型中用于识别分布外数据的减少鲁棒性随机切割森林

    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

  • 深度可微随机森林用于年龄估计

    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