该研究提出了一种有效的特征转换方法，该方法可以在计算成本的大幅降低的情况下，优于原始特征进行施工的正交决策树，并可用于快速坚硬物体检测。在 Caltech 行人数据集上的结果显示，该方法有效减少了假阳性，显著提高了检测精度。

Jun, 2014

本文介绍一种叫做 HHCART 的决策树算法，它利用 Householder matrices 反射训练数据来构建 oblique splits，从而实现数据分类，并且能够同时处理定性和定量特征。

Apr, 2015

本研究提出了一种优化多元线性阈值函数作为决策树分裂函数以创建改进的 Random Forest 分类器的新算法，相较于标准的树归纳方法，该方法采用随机梯度下降优化每个节点的线性组合（斜）分裂函数，比之前的构建斜树的技术和单变量分裂函数的随机抽样和穷举搜索方法具有更好的性能，已在多类分类基准测试和 Labeled Faces in the Wild （LFW）数据集上进行了实验验证。

Jun, 2015

提出了一种使用随机化和确定性山爬算法相结合的 OC1 系统，用于构建倾斜决策树来更准确、更高效地处理数值型属性，实验证明了 OC1 系统在构建倾斜决策树方面的优越性。

Aug, 1994

通过使用水平面将随机森林推广到双曲空间，使用大边际分类器找到候选分割，再结合子类最低共同祖先和类平衡的大边际损失方法，可以解决多类数据和不平衡实验问题，并且在标准和新的基准测试中表现优于传统随机森林算法和最近双曲分类器。

Aug, 2023

这篇论文介绍了一种针对决策树模型的 OutOf-Distribution（OOD）泛化的新颖有效解决方案，名为不变决策树（IDT）。IDT 通过在树的生长过程中对于不同环境下分割的不稳定 / 变化行为施加惩罚项来实现 OOD 泛化。通过理论结果和合成以及真实数据集的数值测试，证实了所提出的方法的优越性能，表明决策树模型的 OOD 泛化是绝对必要且应该更加关注。

Dec, 2023

该论文提出了一种算法，该算法能够基于全局目标同时优化决策树的所有级别的分裂函数和叶参数，使用随机梯度下降进行优化，实验结果表明，该算法相比贪心算法在分类任务的表现优秀。

Nov, 2015

在机器学习系统的背景中，尤其是在公平性方面，尤其是群体公平性，是需要考虑的一个重要因素。我们提出了一种名为 Aranyani 的在线设置下的公平决策方法，它采用了倾斜决策树的集合，通过利用先前决策的聚合统计量来有效计算公平梯度，从而克服了优化公平目标在在线环境中所面临的挑战，并在公开基准测试集上展示了 Aranyani 相对于基准方法具有更好的准确性 - 公平性平衡。

Oct, 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

本文提出了一种分层的二次随机森林分类器，用于对从多通道数据中提取的多分辨率样本进行分类，该森林在每个决策节点中都包含一个带罚款的多元线性判别式，并处理平方特征以在原始特征空间中实现二次决策边界。

Jun, 2023