Fugu-MT 論文翻訳(概要): Greedy Algorithm for Inference of Decision Trees from Decision Rule Systems

論文の概要: Greedy Algorithm for Inference of Decision Trees from Decision Rule Systems

arxiv url: http://arxiv.org/abs/2401.06793v1
Date: Mon, 8 Jan 2024 09:28:55 GMT
ステータス: 処理完了
システム内更新日: 2024-01-22 12:28:55.090540
Title: Greedy Algorithm for Inference of Decision Trees from Decision Rule Systems
Title（参考訳）: 決定規則システムからの決定木推定のための欲望アルゴリズム
Authors: Kerven Durdymyradov and Mikhail Moshkov
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Decision trees and decision rule systems play important roles as classifiers, knowledge representation tools, and algorithms. They are easily interpretable models for data analysis, making them widely used and studied in computer science. Understanding the relationships between these two models is an important task in this field. There are well-known methods for converting decision trees into systems of decision rules. In this paper, we consider the inverse transformation problem, which is not so simple. Instead of constructing an entire decision tree, our study focuses on a greedy polynomial time algorithm that simulates the operation of a decision tree on a given tuple of attribute values.
Abstract（参考訳）: 決定木と決定ルールシステムは、分類器、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。データ分析のために容易に解釈可能なモデルであり、コンピュータ科学で広く使われ研究されている。この分野では、2つのモデル間の関係を理解することが重要な課題である。決定木を決定規則の体系に変換する方法はよく知られている。本稿では,そのような単純ではない逆変換問題を考える。本研究は,決定木全体を構築する代わりに,与えられた属性値のタプル上の決定木の操作をシミュレートする,欲求多項式時間アルゴリズムに焦点を当てる。

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)
An Interpretable Client Decision Tree Aggregation process for Federated Learning [7.8973037023478785]
本稿では,フェデレート学習シナリオを対象とした解釈可能なクライアント決定木集約プロセスを提案する。このモデルは、決定ツリーの複数の決定パスの集約に基づいており、ID3やCARTなど、さまざまな決定ツリータイプで使用することができる。 4つのデータセットで実験を行い、分析により、モデルで構築された木が局所モデルを改善し、最先端のモデルより優れていることが示された。
論文参考訳（メタデータ） (2024-04-03T06:53:56Z)
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)
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)
Construction of Decision Trees and Acyclic Decision Graphs from Decision Rule Systems [0.0]
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。
論文参考訳（メタデータ） (2023-05-02T18:40:48Z)
Explainable Data-Driven Optimization: From Context to Decision and Back Again [76.84947521482631]
データ駆動最適化では、コンテキスト情報と機械学習アルゴリズムを使用して、不確実なパラメータによる決定問題の解決策を見つける。本稿では,データ駆動型問題に対する解法を説明するために,対実的説明手法を提案する。在庫管理やルーティングといった運用管理における重要な問題を説明することで,我々のアプローチを実証する。
論文参考訳（メタデータ） (2023-01-24T15:25:16Z)
Modularity in Reinforcement Learning via Algorithmic Independence in Credit Assignment [79.5678820246642]
提案手法は, 事前決定の順序に対して, スパース変化のみを必要とする伝達問題に対して, 政策段階の手法よりも, より標本効率が高いことを示す。我々は最近提案された社会的意思決定の枠組みをマルコフ決定プロセスよりもよりきめ細かい形式主義として一般化する。
論文参考訳（メタデータ） (2021-06-28T21:29:13Z)
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)
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)
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。