- 决策树学习的超常近似难度
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。
- TREE:树正则化用于高效执行
通过奖励不均匀概率分布来减少决策树路径长度,优化决策树的内存架构感知实现以降低执行时间。
- 一种可解释性近似理论
通过简单特征的决策树是否能够逼近深度神经网络的问题,以及该问题的变体,正是对可由人类解释的机器学习模型不断增长的需求。本文通过引入可解释逼近的概念来研究这些问题,这一概念捕捉了通过一些基类概念的小聚合来逼近目标概念 c 的想法。我们的主要贡 - Ents: 决策树的高效三方训练框架通过通信优化
在这篇论文中,我们提出了一种名为 Ents 的高效三方训练框架,通过通信优化来训练决策树。通过基于安全基数排序协议的一系列训练协议,我们解决了使用连续属性安全拆分数据集时的通信开销问题。我们还提出了一种高效的份额转换协议,将份额在小环和大环 - 推进工具增强型大型语言模型:整合推断树中错误的见解
基于决策树的推理轨迹优化框架提高了工具辅助大型语言模型的推理性能和泛化能力,解决了基于路径的训练方法的局限性,同时透过错误推理路径的洞察力,提高了复杂工具使用推理任务的推理效率。
- GLANCE: 全球行动简述的反事实可解释性
提供全局反事实解释问题的简洁表述并建立了比较解决方案的原则标准,使用聚类和决策树作为关键组件的创新算法解决全局反事实问题,并通过与其他方法的综合实验评估验证了算法的能力。
- 探索决策树对标签噪声的鲁棒性的损失设计技术
本研究探索了如何利用深度学习中的损失设计思路来提高决策树的鲁棒性,发现传统的损失修正和对称损失方法并不有效,指出需要探索其他方向来改善决策树对标签噪声的鲁棒性。
- 基于输出限制的决策树
这篇论文介绍了可以处理多目标输出和目标之间约束的新决策树变体,通过调整划分准则来处理约束并得到可行的预测,包括基于优化的精确方法和几种启发式方法,并进行了计算实验以证明和比较所提方法的结果。
- 应用典型度量方法评估决策树处理未知车辆碰撞数据的可靠性
研究论文通过理论和实验,探讨了 ε- 代表性方法在决策树中评估数据集相似性的可靠性,发现 ε- 代表性与特征重要性排序具有显著相关性,并将结果扩展到 XGboost 在未见车辆碰撞数据中的应用。
- 决策树与局部可解释模型无关解释技术(LIME)和多元线性回归方法在根均方误差(RMSE)值方面解释支持向量回归模型的比较
决策树被用于解释支持向量回归模型,并与 LIME 和多元线性回归进行比较。在 5 个数据集上的比较结果表明,决策树在支持向量回归拟合时相对于 LIME 给出较低的 RMSE 值的概率为 87%,结果具有统计学意义。而多元线性回归在支持向量回 - 使用汤普森抽样在线学习决策树
决策树在可解释的机器学习中是重要的预测模型,本文介绍了一种新的蒙特卡洛树搜索算法 (TSDT),在在线环境中通过汤普森抽样来产生最优的决策树,并经过实验证明该算法在几个基准测试中表现优于现有算法,并具有适用于在线环境的实际优势。
- 可解释强化学习优化机械通气的方法论
使用决策树进行机械通风控制的解释性强化学习方法在提高患者血氧饱和度的同时避免侵害导致通风性肺损伤和其他并发症的侵略性通风设置,优于行为复制政策并与现有的强化学习政策相媲美。未来的工作涉及更好地将成本函数与医学目标对齐,以生成更深入的临床见解 - 可解释的客户决策树聚合方法用于联邦学习
我们提出了一种适用于联邦学习场景的可解释客户端决策树聚合过程,保持了用于聚合的基本决策树的可解释性和精确性。该模型基于聚合决策树的多个决策路径,可应用于不同类型的决策树,如 ID3 和 CART,实验证明该模型构建的树改进了本地模型,并优于 - 评估医学诊断中机器学习模型的解释能力:一种人机协同的方法
这篇论文综合研究了决策树、随机森林和 XGBoost 模型在胰腺癌数据集上的解释能力评估,并使用人机协同相关技术和医学指南作为领域知识的来源,以确定与胰腺癌治疗相关的不同特征的重要性。同时,这些特征不仅用于机器学习模型的降维,还用于使用无偏 - 划分、攻克、融合贝叶斯决策树采样
该研究使用贝叶斯推断方法来量化决策树预测的不确定性。通过 DCC-Tree 方法,与其他贝叶斯树方法相比,在一致性和降低每个建议的复杂性的同时,表现相媲美其他基于 HMC 的方法。
- 超越黑盒策略:重新思考可解释和可验证的 HVAC 控制学习代理的设计
利用基于决策树的控制策略,优化了采暖通风空调系统的能源效率,并提供可靠性保证和安全性,与现有模型基的增强学习方法相比,能够节约 68.4% 能源并提高 14.8% 的人体舒适度。
- 通过评估组合性能在构建过程中构建多个决策树的算法框架
本研究提出了一个同时构建决策树并在构建过程中评估它们组合效果的算法框架,通过构建新的决策树组合和评估其组合性能来找到更好的组合。通过在合成和基准数据上进行实验验证了该框架的性能。
- 使用 Transformer 学习决策树算法
MetaTree 通过训练基于 transformer 的模型,并使用经典算法的筛选输出结果来生成强大的分类决策树,从而在提供高预测性能的同时解决了局部优化和全局泛化之间的矛盾。
- 将离线强化学习重新构建为回归问题
该研究将离线强化学习重新定义为一个可以用决策树解决的回归问题,通过梯度提升树可以实现快速训练和推理,同时对通用性进行了讨论。
- 决策树从决策规则系统推理的贪婪算法
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。