两篇新研究论文探讨了分布随机森林的高级应用，超越了传统的基于均值的分裂。第一篇论文介绍了分布分裂准则的扩展，包括傅里叶特征最大均值差异和切片-Wasserstein，发现各向同性MMD与更复杂的变体相比表现相当，并且分布分裂对于多变量响应最有效。第二篇论文提出了一种调查校准的分布随机森林（SDRF），它使用伪总体自举和MMD分裂准则整合了复杂的调查设计特征，建立了理论一致性，并在真实世界调查数据上展示了其效用。 AI
影响 这些论文推进了统计建模技术，有可能提高机器学习模型在复杂数据分析和调查研究中的准确性和适用性。
排序理由 两篇发表在arXiv上的学术论文，详细介绍了分布随机森林的新方法和应用。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2607.23721v1 Announce Type: new Abstract: Distributional random forests replace mean-based CART splitting with criteria that compare the full conditional response distribution in candidate children. We implement and systematically study a family of such criteria inside a si…
arXiv:2512.08179v3 Announce Type: replace-cross Abstract: We study estimation of the conditional law $P(Y|X = x)$ and continuous measurable maps of it when $Y \in \mathcal{Y}$ takes values in a locally compact Polish space (e.g., $\mathbb{R}^d$), $X \in \mathbb{R}^p$, and the obs…