该研究开发了一种全新的动态算法，用于在标记示例任意插入和删除的情况下维护决策树，该算法保证每个决策树节点在任何时刻，使用的分裂具有接近最佳的 Gini 增益，在现实数据中的实验表明了该算法的有效性。

Dec, 2022

该研究的主要关键词有决策树学习、独立设置、单调函数、启发式算法和误差分析。该研究提供了一种基于启发式算法的决策树学习方法，可以在独立设置下优化误差，并取得了匹配近似下限。

Jun, 2020

本研究提出一种新型的增量决策树学习算法，Hoeffding Anytime Tree，与当前最先进的 Hoeffding Tree 相比，具有更高的统计效率。该算法具有极快的决策树生成速度，能够有效应对概念漂移，并在绝大多数 UCI 数据集上取得了显著的预测精度。

Feb, 2018

提出了两种新算法以及相应的下限，适用于树集合，展示了决策树和树集合分类训练数据集所需的切割数相比，随着树的数量增加，集合所需的切割数可能会指数级下降。

Jun, 2023

本文研究最优决策树，自适应 TSP 问题以及如何在度量空间中访问子集，并给出了多项式对数逼近算法。

Mar, 2010

本论文通过研究影响因素较大的输入变量，证明了一个关于平衡布尔函数复杂度下界的结论，并进一步应用于研究随机查询复杂性的下界。

Aug, 2005

我们考虑了在查询的条件下正确地进行 PAC 学习决策树的任务，通过使用新的简化证明以及决策树的新异或引理，我们证明了即使允许在最优大小的任意常数因子内，该任务仍然是 NP 难的。

Jul, 2024

我们提出了一种简单的决策树学习算法的泛化方法，称为 Top-k，它考虑了 k 个最佳属性作为可能的分割点，相较于贪婪算法和最优决策树算法，在准确率和可扩展性方面都取得了显著的优势。

Oct, 2023

决策树和决策规则系统在分类器、知识表示工具和算法方面发挥重要作用。本文研究了这两个模型之间的关系，考虑了将决策树转换为决策规则系统的逆转换问题，并提出了一种基于贪婪多项式时间算法，在给定属性值元组上模拟决策树操作的方法。

Jan, 2024

通过自适应查询变量值评估离散函数的策略的设计，该算法可以同时实现预期和最坏情况下的对数逼近，即使在计算费用较高的情况下，该算法也可以作为一种自动诊断和主动学习的解决方案。

Sep, 2013