Tree Ensembles on the Induced Discrete Space
PulseAugur coverage of Tree Ensembles on the Induced Discrete Space — every cluster mentioning Tree Ensembles on the Induced Discrete Space across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
AI基准ActMOF加速金属有机框架合成
研究人员开发了ActMOF，这是一个用于比较金属有机框架（MOFs）合成中主动学习策略的新基准。该系统使用来自铝-羧酸盐MOFs合成的实验测量数据，并通过衍射峰强度和宽度评估结晶度。通过对包括高斯过程、树集成和大型语言模型在内的策略进行基准测试，ActMOF确定高斯过程是在稀疏合成环境中主动学习的领先策略。随后，该系统成功地指导了在每个12次实验的预算内合成六种相关的铝MOFs。
-
新协议改进了钙钛矿太阳能电池的机器学习评估
为解决现有随机划分方法中数据重复的问题，开发了一种用于评估钙钛矿光伏中机器学习模型的新协议。该溯源分组协议逐步分离重复的设备、出版物和机构，从而对真实的物理泛化能力进行更严格的评估。对十三种模型的基准测试显示，虽然树集成模型在熟悉的数据上表现良好，但神经网络架构在评估真正未见过的数据和未来发现时表现出色，这凸显了设备架构和制造方法以及吸收剂化学的重要性。
-
下游学习器重塑了遗传编程的演进
研究人员探讨了下游学习器如何影响遗传编程中的演化过程。他们发现，学习器的选择显著影响了遗传编程必须演化的程序的复杂性。通过转向布尔域并通过傅里叶次数测量非线性，研究表明线性学习器精确匹配目标的次数，而树集成则以更简单的程序实现更高的成功率。这项工作表明，可以根据目标的结构来选择学习器，并且可以计算演化程序的次数作为诊断指标。然而，也发出了警告：学习器能力的提高可能导致程序依赖性增加和可读性降低。
-
Kernel of Partition Paths 统一了树集成表示
一篇新论文介绍了 Kernel of Partition Paths (KPP)，这是一种用于树集成的新型表示方法，它统一了预测、归因和鲁棒性保证。KPP 通过森林节点索引特征图，使用路径度量将坐标嵌入到平方欧几里得空间中。该框架为回归和分类提供了确定性保证，并有可能作为开放性问题进行快速改进。
-
新的RuleSHAP框架增强了流行病学数据的机器学习推理能力
研究人员开发了一个名为RuleSHAP的新框架，以改进流行病学中机器学习模型的统计推理。该框架整合了贝叶斯回归、树集成和Shapley值，为特征效应提供不确定性量化，这在当前的机器学习应用中常常缺失。RuleSHAP可以检测非线性和交互效应，提供个体层面的不确定性估计，并已在模拟数据和流行病学队列研究中得到验证，用于识别与高胆固醇和血压相关的效应。
-
新的PINE方法将树集成模型压缩率提升30%
研究人员开发了PINE，一种用于树集成模型的新型剪枝方法，旨在提高压缩率的同时保持分布内区域的预测一致性。与保留整个输入空间等价性的现有忠实剪枝方法不同，PINE专注于校准后的分布内区域，从而实现更大的压缩。在12个数据集上的实验表明，PINE可以将压缩率提高高达30%，同时保持与当前忠实方法相当的预测。