实体
Tree Ensembles on the Induced Discrete Space
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.
总计 · 30天
0
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
0
90 天内 3
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 3 条
-
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。