该论文指出决策者在领域内具有专业知识,并将其用于行动决策,进而提出专业知识应被作为归纳偏见来应用于机器学习中的治疗效果估计问题。作者定义了两种专业知识类型,即预测型和预后型,并通过经验验证了领域内主导的专业知识类型显著影响不同方法在治疗效果估计中的表现,并且能够通过数据集来预测存在的专业知识类型,从而为模型选择提供定量依据。
Mar, 2024
该论文提出了一种信息论的元学习模型,通过优化划分学习任务,使得专业的决策者解决子问题,从而达到高效的适应新任务的效果,在图像分类、回归和强化学习三个元学习领域进行验证。
Oct, 2019
为了解释机器学习的需求,在解释性人工智能研究方向上,决策树和增强学习的混合模型成为一个新的研究方向,其中使用了 MAP-Elites 方法来拓展模型,该方法在 OpenAI Gym 库的两个控制问题中表现良好。
Aug, 2022
本研究提出了一种基于动态规划和搜索的学习算法来实现最优决策树,这种算法支持对树的深度和节点数量设置限制,并在实验证明使用我们的算法只需要很短的时间就可以处理具有成千上万个实例的数据集,从而极大地提高了最优决策树的实用性。
Jul, 2020
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
使用机器学习确定任何一组划分程序的最佳加权,并通过实验证明,学习如何分叉在实践中非常有益,可以显著减小树的规模。
Mar, 2018
这篇论文介绍了第一种针对二进制变量进行最佳决策树生成的实用算法,该算法结合了分析界限和数据结构等现代技术,在可扩展性、速度和最优性方面具有明显优势。
Apr, 2019
介绍了一种加入不确定性学习的修改决策树的方法 ——Indecision Trees,可以提供一个稳健的标签概率分布,并可以在其他推理系统中使用。
Jun, 2022
本文提出一种基于威胁模型的决策树学习算法 Treant,通过采用坚固分裂和攻击鲁棒性等两种技术手段,使得学习过程更为完整、高效,有效提高抗攻击性能。
Jul, 2019
通过使用智能猜测策略,我们可以在几个数量级的时间里降低运行时间,提供对最佳决策树误差和表达能力偏差的界限,并在许多情况下快速构建与黑盒模型的匹配精度的稀疏决策树。
Dec, 2021