TreeCCA 集成梯度提升树以实现可解释的相关性分析

研究人员开发了 TreeCCA，一种将梯度提升树集成到典型相关分析 (CCA) 中的新方法。该方法允许将树集成端到端地训练为 CCA 编码器，与传统的线性或神经网络方法相比，提供了更高的可靠性和可解释性。TreeCCA 利用 Eckart-Young (EY) 损失，在 XGBoost 和 LightGBM 等标准梯度提升树库中实现高效的梯度计算。该方法在合成和真实世界数据集上表现强劲，性能与 Deep CCA 等现有技术相当或更优，同时通过特征重要性分析提供了原生的可解释性。 AI

影响 引入了一种使用梯度提升树进行典型相关分析的新颖、可解释的方法，有可能改善多视图表格数据中的特征提取和理解。

排序理由 该条目描述了 arXiv 研究论文中发布的新方法和算法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• Deep CCA
• LightGBM
• TreeCCA
• UCI HAR
• XGBoost

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →