論文の概要: Learning Hyperplane Tree: A Piecewise Linear and Fully Interpretable Decision-making Framework

• arxiv url: http://arxiv.org/abs/2501.08515v1
• Date: Wed, 15 Jan 2025 01:59:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-16 15:52:07.146685
• Title: Learning Hyperplane Tree: A Piecewise Linear and Fully Interpretable Decision-making Framework
• Title（参考訳）: 超平面木を学習する: 線形で完全に解釈可能な意思決定フレームワーク
• Authors: Hongyi Li, Jun Xu, William Ward Armstrong,
• Abstract要約: LHTの構造は単純で効率的であり、複数の超平面を用いてデータを分割し、ターゲットと非ターゲットの標本を段階的に区別する。 LHTは, 各分岐ブロックの透過度が高く, 解釈可能であり, 各特徴の分類への寄与が明らかである。
• 参考スコア（独自算出の注目度）: 6.551174160819771
• License:
• Abstract: This paper introduces a novel tree-based model, Learning Hyperplane Tree (LHT), which outperforms state-of-the-art (SOTA) tree models for classification tasks on several public datasets. The structure of LHT is simple and efficient: it partitions the data using several hyperplanes to progressively distinguish between target and non-target class samples. Although the separation is not perfect at each stage, LHT effectively improves the distinction through successive partitions. During testing, a sample is classified by evaluating the hyperplanes defined in the branching blocks and traversing down the tree until it reaches the corresponding leaf block. The class of the test sample is then determined using the piecewise linear membership function defined in the leaf blocks, which is derived through least-squares fitting and fuzzy logic. LHT is highly transparent and interpretable--at each branching block, the contribution of each feature to the classification can be clearly observed.
• Abstract（参考訳）: 本稿では,複数の公開データセットの分類タスクに対して,最先端(SOTA)ツリーモデルよりも優れた,新しいツリーベースモデルであるLearning Hyperplane Tree(LHT)を提案する。 LHTの構造は単純で効率的であり、複数の超平面を用いてデータを分割し、ターゲットと非ターゲットの標本を段階的に区別する。 分離は各段階では完璧ではないが、LHTは連続した分割によって効果的に区別を改善する。 テスト中、サンプルは枝分かれブロックで定義された超平面を評価し、それに対応する葉ブロックに到達するまで木を横切ることで分類される。 次に、テストサンプルのクラスは、最小二乗のフィッティングとファジィ論理によって導出される葉ブロックで定義される断片的線形メンバシップ関数を用いて決定される。 LHTは, 各分岐ブロックの透過度が高く, 解釈可能であり, 各特徴の分類への寄与が明らかである。

関連論文リスト

• ODTE -- An ensemble of multi-class SVM-based oblique decision trees [0.7182449176083623]
  ODTEは、斜め決定木をベース分類子として使用する新しいアンサンブルである。 斜め決定木を育成するための基本アルゴリズムSTreeを紹介する。 ODTEは一貫してライバルより上位に位置する。
  論文  参考訳（メタデータ） (2024-11-20T14:58:32Z)
• Collaborative Feature-Logits Contrastive Learning for Open-Set Semi-Supervised Object Detection [75.02249869573994]
  オープンセットのシナリオでは、ラベルなしデータセットには、イン・ディストリビューション(ID)クラスとアウト・オブ・ディストリビューション(OOD)クラスの両方が含まれている。 このような設定で半教師付き検出器を適用すると、OODクラスをIDクラスとして誤分類する可能性がある。 我々は、CFL-Detector(Collaborative Feature-Logits Detector)と呼ばれるシンプルで効果的な方法を提案する。
  論文  参考訳（メタデータ） (2024-11-20T02:57:35Z)
• Exploring Beyond Logits: Hierarchical Dynamic Labeling Based on Embeddings for Semi-Supervised Classification [49.09505771145326]
  モデル予測に依存しない階層型動的ラベル付け(HDL)アルゴリズムを提案し,画像埋め込みを用いてサンプルラベルを生成する。 本手法は,半教師付き学習における擬似ラベル生成のパラダイムを変える可能性がある。
  論文  参考訳（メタデータ） (2024-04-26T06:00:27Z)
• Unboxing Tree Ensembles for interpretability: a hierarchical visualization tool and a multivariate optimal re-built tree [0.34530027457862006]
  我々は,木組モデルの解釈可能な表現を開発し,その振る舞いに関する貴重な洞察を提供する。 提案モデルは,木組決定関数を近似した浅い解釈可能な木を得るのに有効である。
  論文  参考訳（メタデータ） (2023-02-15T10:43:31Z)
• RLET: A Reinforcement Learning Based Approach for Explainable QA with Entailment Trees [47.745218107037786]
  本稿では,強化学習に基づくEntailment Tree生成フレームワークであるRLETを提案する。 RLETは文の選択と推論生成モジュールによる単一ステップ推論を反復的に行う。 EntailmentBankデータセットの3つの設定の実験では、RLフレームワークを使用することの強みが示されている。
  論文  参考訳（メタデータ） (2022-10-31T06:45:05Z)
• Multiclass Optimal Classification Trees with SVM-splits [1.5039745292757671]
  本稿では, 木型分類規則を多クラスインスタンスに対して構築するための, 数学的最適化に基づく新しい手法を提案する。 提案手法は,葉ノードを除いて,ラベルを一時的に取り除き,SVMで超平面を分離して2つのクラスに分類する分類木の構築から成り立っている。
  論文  参考訳（メタデータ） (2021-11-16T18:15:56Z)
• Sample Complexity of Tree Search Configuration: Cutting Planes and Beyond [98.92725321081994]
  最先端の解法は、根底にある木探索アルゴリズムを高速化するために、無数の切削平面技術を統合している。 本研究は,インスタンス分布に合わせて高い性能のカット選択ポリシーを学習するための最初の保証を証明した。
  論文  参考訳（メタデータ） (2021-06-08T00:57:59Z)
• Intersection Regularization for Extracting Semantic Attributes [72.53481390411173]
  本稿では,ネットワーク抽出した特徴が意味属性のセットと一致するように,教師付き分類の問題を考える。 例えば、鳥類のイメージを種に分類することを学ぶとき、動物学者が鳥類を分類するために使用する特徴の出現を観察したい。 本稿では,複数層パーセプトロン(MLP)と並列決定木を併用した,離散的なトップレベルアクティベーションを持つニューラルネットワークのトレーニングを提案する。
  論文  参考訳（メタデータ） (2021-03-22T14:32:44Z)
• Robust Optimal Classification Trees under Noisy Labels [1.5039745292757671]
  本稿では,学習サンプルにノイズラベルが存在することを考慮し,最適な分類木を構築するための新しい手法を提案する。 本手法は,(1)SVMのパラダイムを適用したクラス間の分離マージンを最大化するために,分類木の分割ルールを設計し,(2)ラベルノイズを検知しようとする木の構築中に,トレーニングサンプルのラベルを変更することを許している。
  論文  参考訳（メタデータ） (2020-12-15T19:12:29Z)
• Forest R-CNN: Large-Vocabulary Long-Tailed Object Detection and Instance Segmentation [75.93960390191262]
  我々は、オブジェクトカテゴリ間の関係に関する事前知識を利用して、きめ細かいクラスを粗い親クラスにクラスタリングする。 そこで本研究では,NMS再サンプリング法を提案する。 提案手法はフォレストR-CNNと呼ばれ,ほとんどのオブジェクト認識モデルに適用可能なプラグイン・アンド・プレイモジュールとして機能する。
  論文  参考訳（メタデータ） (2020-08-13T03:52:37Z)
• Oblique Predictive Clustering Trees [6.317966126631351]
  予測クラスタリングツリー(PCT)は、構造化された出力予測を含む様々な予測モデリングタスクを解決するために使用できる。 本稿では,これらの制約に対処可能な斜めの予測クラスタリング木を提案する。 6つの予測モデルタスクのための60のベンチマークデータセットに対して提案手法を実験的に評価した。
  論文  参考訳（メタデータ） (2020-07-27T14:58:23Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。