Fugu-MT 論文翻訳(概要): Construction of Decision Trees and Acyclic Decision Graphs from Decision Rule Systems

論文の概要: Construction of Decision Trees and Acyclic Decision Graphs from Decision Rule Systems

arxiv url: http://arxiv.org/abs/2305.01721v1
Date: Tue, 2 May 2023 18:40:48 GMT
ステータス: 処理完了
システム内更新日: 2023-05-04 16:58:28.669629
Title: Construction of Decision Trees and Acyclic Decision Graphs from Decision Rule Systems
Title（参考訳）: 決定木の構築と決定規則系からの非巡回決定グラフ
Authors: Kerven Durdymyradov and Mikhail Moshkov
Abstract要約: 本稿では,決定木を構成する複雑さと決定木を表す非周期決定グラフについて考察する。決定木全体を構築しない可能性について論じるが、与えられた入力に対して、この木で計算経路を記述する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Decision trees and systems of decision rules are widely used as classifiers, as a means for knowledge representation, and as algorithms. They are among the most interpretable models for data analysis. The study of the relationships between these two models can be seen as an important task of computer science. Methods for transforming decision trees into systems of decision rules are simple and well-known. In this paper, we consider the inverse transformation problem, which is not trivial. We study the complexity of constructing decision trees and acyclic decision graphs representing decision trees from decision rule systems, and we discuss the possibility of not building the entire decision tree, but describing the computation path in this tree for the given input.
Abstract（参考訳）: 決定木と決定規則の体系は、分類器、知識表現の手段として、アルゴリズムとして広く使われている。それらはデータ分析の最も解釈可能なモデルの一つである。これらの2つのモデル間の関係の研究は、コンピュータ科学の重要なタスクと見なすことができる。決定木を決定規則のシステムに変換する方法は単純でよく知られている。本稿では,自明ではない逆変換問題を考える。決定木を構成する複雑さと決定木を表す非循環決定グラフについて,決定木全体を構築するのではなく,与えられた入力に対してこの木内の計算パスを記述する可能性について議論する。

関連論文リスト

Learning accurate and interpretable decision trees [27.203303726977616]
我々は、同じドメインから繰り返しデータにアクセスして決定木学習アルゴリズムを設計するためのアプローチを開発する。本研究では,ベイズ決定木学習における事前パラメータのチューニングの複雑さについて検討し,その結果を決定木回帰に拡張する。また、学習した決定木の解釈可能性について検討し、決定木を用いた説明可能性と精度のトレードオフを最適化するためのデータ駆動型アプローチを提案する。
論文参考訳（メタデータ） (2024-05-24T20:10:10Z)
Learning a Decision Tree Algorithm with Transformers [75.96920867382859]
メタ学習によってトレーニングされたトランスフォーマーベースのモデルであるMetaTreeを導入し、強力な決定木を直接生成する。我々は、多くのデータセットに欲求決定木とグローバルに最適化された決定木の両方を適合させ、MetaTreeを訓練して、強力な一般化性能を実現する木のみを生成する。
論文参考訳（メタデータ） (2024-02-06T07:40:53Z)
Greedy Algorithm for Inference of Decision Trees from Decision Rule Systems [0.0]
決定木と決定ルールシステムは属性、知識表現ツール、アルゴリズムとして重要な役割を果たす。本稿では,逆変換問題について考察する。本研究は,決定木全体を構築する代わりに,与えられた属性に対する決定木の操作をシミュレートする欲求時間アルゴリズムに焦点を当てる。
論文参考訳（メタデータ） (2024-01-08T09:28:55Z)
TreeDQN: Learning to minimize Branch-and-Bound tree [78.52895577861327]
Branch-and-Boundは、Mixed Linear Programsという形で最適化タスクを解決するための便利なアプローチである。解法の効率は、分割する変数を選択するのに使用される分岐に依存する。分岐を効率的に学習できる強化学習法を提案する。
論文参考訳（メタデータ） (2023-06-09T14:01:26Z)
Decision Concept Lattice vs. Decision Trees and Random Forests [4.898744396854312]
我々は、新しい教師付き機械学習モデルを提案することによって、決定木、それらのアンサンブル、FCAの考え方を融合する。具体的には、まず、決定木に基づく概念格子の一部を構成する状態時間アルゴリズムを提案する。次に,分類問題と回帰問題の両方を解決するための概念格子に基づく予測スキームについて述べる。
論文参考訳（メタデータ） (2021-06-01T10:45:35Z)
Decision Machines: Congruent Decision Trees [0.0]
本稿では,ブール試験を二進ベクトル空間に埋め込み,木構造を行列として表現する決定機械を提案する。我々は,決定木と注意機構の一致を探求し,決定木を最適化し,予測力を増強するための新たな道を開く。
論文参考訳（メタデータ） (2021-01-27T12:23:24Z)
Convex Polytope Trees [57.56078843831244]
コンベックスポリトープ木(CPT)は、決定境界の解釈可能な一般化によって決定木の系統を拡張するために提案される。木構造が与えられたとき,木パラメータに対するCPTおよび拡張性のあるエンドツーエンドトレーニングアルゴリズムを効率的に構築する。
論文参考訳（メタデータ） (2020-10-21T19:38:57Z)
Rectified Decision Trees: Exploring the Landscape of Interpretable and Effective Machine Learning [66.01622034708319]
我々は,reDT(rerectified decision tree)と呼ばれる知識蒸留に基づく決定木拡張を提案する。我々は,ソフトラベルを用いたトレーニングを可能にする標準決定木の分割基準と終了条件を拡張した。次に,教師モデルから抽出したソフトラベルに基づいて,新しいジャックニフェ法を用いてReDTを訓練する。
論文参考訳（メタデータ） (2020-08-21T10:45:25Z)
MurTree: Optimal Classification Trees via Dynamic Programming and Search [61.817059565926336]
動的プログラミングと探索に基づいて最適な分類木を学習するための新しいアルゴリズムを提案する。当社のアプローチでは,最先端技術が必要とする時間のごく一部しか使用せず,数万のインスタンスでデータセットを処理することが可能です。
論文参考訳（メタデータ） (2020-07-24T17:06:55Z)
Generalized and Scalable Optimal Sparse Decision Trees [56.35541305670828]
様々な目的に対して最適な決定木を生成する手法を提案する。また,連続変数が存在する場合に最適な結果が得られるスケーラブルなアルゴリズムも導入する。
論文参考訳（メタデータ） (2020-06-15T19:00:11Z)
dtControl: Decision Tree Learning Algorithms for Controller Representation [0.0]
決定木は証明可能な正確なコントローラを簡潔に表現するために使用することができる。本稿では、メモリレスコントローラを決定木として表現するための簡易な合成ツールであるdtControlについて述べる。
論文参考訳（メタデータ） (2020-02-12T17:13:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。