論文の概要: FUTURE: Flexible Unlearning for Tree Ensemble

• arxiv url: http://arxiv.org/abs/2508.21181v1
• Date: Thu, 28 Aug 2025 19:45:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-01 19:45:10.862874
• Title: FUTURE: Flexible Unlearning for Tree Ensemble
• Title（参考訳）: 未来:ツリーアンサンブルのためのフレキシブルなアンラーニング
• Authors: Ziheng Chen, Jin Huang, Jiali Cheng, Yuchan Guo, Mengjie Wang, Lalitesh Morishetti, Kaushiki Nag, Hadi Amiri,
• Abstract要約: 木アンサンブルは、様々な領域で最先端のパフォーマンスを達成し、分類タスクにおける有効性で広く認識されている。 データプライバシと忘れるべきテキストライトに重点を置いているため、ツリーアンサンブルが機密情報を忘れるように、いくつかの未学習アルゴリズムが提案されている。 木アンサンブルのための新しいアンラーニングアルゴリズムであるFUTUREを提案する。
• 参考スコア（独自算出の注目度）: 23.336396189756574
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tree ensembles are widely recognized for their effectiveness in classification tasks, achieving state-of-the-art performance across diverse domains, including bioinformatics, finance, and medical diagnosis. With increasing emphasis on data privacy and the \textit{right to be forgotten}, several unlearning algorithms have been proposed to enable tree ensembles to forget sensitive information. However, existing methods are often tailored to a particular model or rely on the discrete tree structure, making them difficult to generalize to complex ensembles and inefficient for large-scale datasets. To address these limitations, we propose FUTURE, a novel unlearning algorithm for tree ensembles. Specifically, we formulate the problem of forgetting samples as a gradient-based optimization task. In order to accommodate non-differentiability of tree ensembles, we adopt the probabilistic model approximations within the optimization framework. This enables end-to-end unlearning in an effective and efficient manner. Extensive experiments on real-world datasets show that FUTURE yields significant and successful unlearning performance.
• Abstract（参考訳）: 木アンサンブルは分類作業における効果が広く認められており、バイオインフォマティクス、ファイナンス、医療診断など様々な領域で最先端のパフォーマンスを達成している。 データプライバシと‘textit{right to be forget}’に重点を置くことで、ツリーアンサンブルが機密情報を忘れるように、いくつかの未学習アルゴリズムが提案されている。 しかし、既存の手法は特定のモデルに合わせたり、離散木構造に依存したりすることが多く、複雑なアンサンブルへの一般化が難しく、大規模なデータセットでは非効率である。 これらの制約に対処するため,木組のための新しいアンラーニングアルゴリズムFUTUREを提案する。 具体的には、勾配に基づく最適化タスクとして、サンプルを忘れることの問題を定式化する。 木アンサンブルの非微分可能性に対応するため,最適化フレームワークに確率論的モデル近似を適用した。 これにより、エンドツーエンドのアンラーニングを効果的かつ効率的に行うことができる。 実世界のデータセットに対する大規模な実験は、FUTUREが有意かつ成功した未学習のパフォーマンスをもたらすことを示している。

関連論文リスト

• RO-FIGS: Efficient and Expressive Tree-Based Ensembles for Tabular Data [10.610270769561811]
  ツリーベースモデルは非形式的特徴に対して堅牢であり、非滑らかで複雑な決定境界を正確に捉えることができる。 我々はRandom oblique Fast Interpretable Greedy-Tree Sums (RO-FIGS)を提案する。 RO-FIGSはFast Interpretable Greedy-Tree Sumsの上に構築され、斜めまたは多変量分割で木を学習することで拡張する。 RO-FIGSを22の実世界のデータセット上で評価し、他の木とニューラルネットワークに基づく手法よりも優れた性能とはるかに小さなモデルを示す。
  論文  参考訳（メタデータ） (2025-04-09T14:35:24Z)
• Learning Decision Trees as Amortized Structure Inference [59.65621207449269]
  本稿では,予測決定木アンサンブルを学習するためのハイブリッドアモータイズされた構造推論手法を提案する。 提案手法であるDT-GFNは,標準分類ベンチマークにおける最先端決定木やディープラーニング手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-03-10T07:05:07Z)
• BPP-Search: Enhancing Tree of Thought Reasoning for Mathematical Modeling Problem Solving [11.596474985695679]
  我々は、完全な数学的モデリングプロセスをキャプチャする包括的ラベルを付したStructuredORデータセットをリリースする。 本稿では,強化学習をツリー・オブ・シント構造に統合するアルゴリズムであるBPP-Searchを提案する。
  論文  参考訳（メタデータ） (2024-11-26T13:05:53Z)
• Optimized Feature Generation for Tabular Data via LLMs with Decision Tree Reasoning [53.241569810013836]
  本稿では,大規模言語モデル(LLM)を用いて,効率的な特徴生成ルールを同定するフレームワークを提案する。 我々は、自然言語で容易に表現できるため、この推論情報を伝達するために決定木を使用します。 OCTreeは様々なベンチマークで様々な予測モデルの性能を継続的に向上させる。
  論文  参考訳（メタデータ） (2024-06-12T08:31:34Z)
• Learning accurate and interpretable tree-based models [27.203303726977616]
  我々は、同じドメインからデータに繰り返しアクセスする木に基づく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。 本稿では,よく使われるエントロピーとジニ不純物に基づく基準を補間するトップダウンアルゴリズムにおいて,ノード分割基準の新しいパラメータ化クラスを提案する。 我々は、ランダムな森林や傾斜した木など、一般的な木に基づくアンサンブルのチューニングに結果を拡張した。
  論文  参考訳（メタデータ） (2024-05-24T20:10:10Z)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)
• Deep Reinforcement Learning of Graph Matching [63.469961545293756]
  ノードとペアの制約下でのグラフマッチング(GM)は、最適化からコンピュータビジョンまでの領域におけるビルディングブロックである。 GMのための強化学習ソルバを提案する。 rgmはペアワイズグラフ間のノード対応を求める。 本手法は,フロントエンドの特徴抽出と親和性関数学習に焦点をあてるという意味において,従来のディープグラフマッチングモデルと異なる。
  論文  参考訳（メタデータ） (2020-12-16T13:48:48Z)
• 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)

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。