decision tree
PulseAugur coverage of decision tree — every cluster mentioning decision tree across labs, papers, and developer communities, ranked by signal.
7 天有情绪数据
-
AI系统YAACS以88.6%的准确率检测FPS自瞄外挂
一款名为YAACS的新型服务器端反作弊系统已被开发用于第一人称射击（FPS）游戏，以检测自瞄外挂。该系统利用深度学习和机器学习技术，分析瞄准速度、射击次数和玩家移动模式等特征。YAACS系统采用堆叠LSTM模型，分类准确率达到88.6%，误报率低至0.97%。这种方法证明了时序建模中时间上下文对于最大限度地减少作弊检测中的错误指控的重要性。
-
新方法检测人工智能驱动的反洗钱系统中的不公平性
研究人员开发了反事实方法来检测用于反洗钱（AML）的机器学习算法中的不公平性。这些技术分析敏感特征对模型预测的直接和间接影响，旨在确保公平性。该研究使用了合成的IBM AMLSim数据集，并纳入了账户国家和平均行为等新特征，这提高了包括决策树和图神经网络在内的各种模型的性能。分析显示，从这些扩展特征中获益最多的模型也表现出更大的公平性违规，凸显了在关键AML应用中预测准确性与公平性之间的权衡。
-
机器学习基础：监督学习、无监督学习和集成技术
本文深入探讨了机器学习的基本概念，涵盖了监督学习和无监督学习技术。通过函数逼近、偏差-方差权衡以及决策树、朴素贝叶斯、k近邻和支持向量机等常用算法来探讨监督学习。对于无监督学习，讨论侧重于聚类方法，如层次聚类和k-means，并解决了噪声和算法稳定性等挑战。文章还涉及了装袋法（bagging）和提升法（boosting）等集成学习方法，并简要介绍了强化学习。
-
新的 CO-DEFEND 框架支持隐私保护的 DoH 威胁检测
研究人员开发了一个名为 CO-DEFEND 的新框架，以解决在保护数据隐私的同时检测恶意 DNS over HTTPS (DoH) 流量的挑战。这种去中心化的联邦学习方法允许多个实体在不共享其敏感本地数据的情况下实时协作训练机器学习模型。该框架将支持向量机、逻辑回归、决策树和随机森林等常用机器学习算法适配到这种联邦环境中，与现有方法相比，在威胁检测方面表现出更高的可扩展性和效率。
-
梯度提升扩展至向量值函数 · arXiv 研究
研究人员开发了一种新颖的梯度提升方法，将其能力扩展到向量值函数。这种新方法解决了现有框架的局限性，这些框架通常通过一次处理一个元素或使用简化的近似来处理向量目标。所提出的算法旨在与基于直方图的决策树高效工作，有可能提高复杂多类分类任务的性能。
-
OmniPlan框架使用LLM进行自适应网络规划优化
研究人员开发了OmniPlan，一个旨在优化网络规划的新型自适应框架。该框架利用大型语言模型来解释用户以自然语言表达的意图，并将其转化为可量化的偏好向量。然后，OmniPlan采用混合专家架构，整合求解器、启发式算法和深度强化学习模型，以动态选择最合适的专家，从而实现及时且近乎最优的结果。实验表明，OmniPlan能有效分载机器学习推理任务，显著降低延迟和资源消耗。
-
AI框架使用地球搬运工距离优化PCB设计
研究人员开发了一个新的框架，使用机器学习和地球搬运工距离（EMD）来优化SI合规PCB的设计。该方法使用神经网络代理模型来预测波形特征，并使用决策树来识别合规波形。EMD然后根据这些设计与理想参考信号的相似性对它们进行排名，为传统的优化方法提供了一种确定且可解释的替代方案。
-
新框架将决策树与Bregman散度统一起来
研究人员通过利用Bregman散度（一类泛化了欧氏距离的损失函数族）引入了一个决策树的新型框架。该方法提供了一种统一的方法，可将决策树适配到各种统计模型和几何结构中，超越了CART等现有算法中常用的特设不纯度标准。该研究还深入探讨了这些广义树的理论特性，考察了生成凸函数的特性如何影响其稳定性和一致性。
-
AI框架增强美国关键基础设施网络风险分析能力
研究人员开发了一个新的框架，用于评估美国关键基础设施的网络风险和模型可靠性。该框架利用XGBoost、Random Forest和Decision Tree等机器学习分类器来检测网络入侵和预测网络风险水平。通过整合可解释人工智能（XAI）技术，该系统旨在提高能源、医疗保健和交通等行业的网络安全决策过程的透明度和可信度。
-
PRAXIS算法高效建模决策树多样性
研究人员开发了PRAXIS，一种旨在有效近似稀疏决策树的罗生门集的新算法。罗生门集代表了标准机器学习管道可能产生的多种近优模型，为稳健的决策和整合领域知识提供了机会。PRAXIS显著减少了计算这些集合所需的计算资源，使其更容易用于真实世界的数据集。
-
AI通过SMOTE过采样改进物联网入侵检测
研究人员开发了一种新方法，通过解决数据集中类别不平衡问题来改进物联网网络中的入侵检测。他们应用了合成少数类过采样技术（SMOTE）来平衡数据，实现了1.1的不平衡比。这种方法显著提高了对少数类攻击的检测能力，特别是对组合感染的攻击，这通过宏F1分数和混淆矩阵得以体现。Random Forest模型实现了0.9989的微平均F1分数和0.9794的宏F1分数，优于先前的方法。
-
决策树的贝叶斯模型平均理论详解
研究人员发表了一篇论文，详细介绍了决策树上贝叶斯模型平均（BMA）的样本复杂度和决策论保证。该工作侧重于确定BMA权重何时提供足够的信息来证明利用平均分布的合理性。该研究为理性承诺阈值提供了一个完整的非渐近理论，特别是针对具有Dirichlet-Multinomial叶模型和Catalan-指数树大小先验的贝叶斯决策树。
-
决策树增强大型语言模型在分子性质预测方面的能力
研究人员开发了一种名为TreeKD的新方法，以提高大型语言模型（LLMs）在分子性质预测任务中的准确性，这项任务在药物发现中至关重要。TreeKD通过将从基于分子特征训练的专业决策树中提取的知识，通过口头提示蒸馏到LLMs中。这种方法增强了LLMs的内部知识和预测能力。该方法还采用了一种称为规则一致性的技术，用于在测试时聚合预测，进一步提高性能。
-
机器学习模型在不平衡临床数据上的评估
一项新近发表在arXiv上的研究，探讨了在不平衡临床数据上使用各种机器学习模型预测危重症结局的有效性。研究人员在MIMIC-IV-ED和eICU数据库上评估了包括基于树的方法和基础模型在内的六种模型家族。研究结果表明，虽然XGBoost在eICU数据集上表现最佳，但TabPFN v2.6和TabICL在MIMIC-IV-ED上取得了优异的成绩，这表明没有单一模型能普遍占优。基础模型为资源受限的临床环境提供了有前景的效率-性能权衡。
-
集成强化学习模型增强金融交易策略
研究人员开发了一种用于金融交易的集成强化学习（RL）方法，将A2C、PPO和SAC等RL算法与SVM、决策树和逻辑回归等传统分类器相结合。这种混合方法旨在改善风险-回报权衡并减少与独立RL模型相比的跌幅。研究发现，集成策略的性能始终优于单个模型，尽管性能对方差阈值参数\(\tau\)敏感，这表明需要动态调整。
-
新的度量方法严格量化模型复杂度
研究人员开发了一种新的、数学上可靠且计算高效的模型复杂度测量方法。该方法基于分析不同输入下模型梯度的相似性，适用于包括参数化、非参数化和基于核的模型在内的各种模型。所提出的度量统一并推广了决策树和神经网络等各种模型的现有复杂度指标，为双下降等现象提供了新的见解。
-
新型车辆分类器结合空间感知与可解释性
研究人员开发了一种增强的车辆分类系统，该系统整合了车辆部件的空间感知能力。这种新方法在前一方法的基础上，为每个部件构建空间概率图，有助于根据特定车辆类别来条件化部件的存在。该系统在准确性方面可与最先进的端到端CNN相媲美，同时提供了更好的可解释性和对误检的鲁棒性，解决了实际应用中的一个关键挑战。
-
机器学习使用文本和语言特征有效检测假新闻
本研究论文探讨了文本和语言内容特征在检测假新闻方面的有效性，特别是在 COVID-19 疫情期间。该研究使用了传统的机器学习模型，如随机森林和支持向量机，发现这些模型表现良好。与单独使用文本和语言特征相比，结合使用它们并没有显著提高检测准确性。
-
指南详解从决策树到梯度提升的树模型
本文提供了一份树模型指南，解释了它们在表格数据上的有效性以及从简单的决策树到XGBoost、LightGBM和CatBoost等高级梯度提升算法的演变过程。文章详细介绍了决策树如何通过基于特征的分割来工作，并介绍了用于确定分类数据的最佳分割点的基尼指数和熵等不纯度度量。
-
AI 教育系列涵盖 k-Means、线性回归和决策树
KDAI2026 课程新一期讲座“机器学习基础 II”今日发布。本期内容涵盖三种基础算法：用于无监督学习的 k-Means 聚类、用于寻找趋势的线性回归以及用于结构化决策的决策树。该课程旨在向参与者传授核心机器学习概念。