論文の概要: SORTeD Rashomon Sets of Sparse Decision Trees: Anytime Enumeration
- arxiv url: http://arxiv.org/abs/2511.03344v1
- Date: Wed, 05 Nov 2025 10:25:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-06 18:19:32.404131
- Title: SORTeD Rashomon Sets of Sparse Decision Trees: Anytime Enumeration
- Title（参考訳）: SORTeD Rashomon Sets of Sparse Decision Trees: Anytime Enumeration
- Authors: Elif Arslan, Jacobus G. M. van der Linden, Serge Hoogendoorn, Marco Rinaldi, Emir Demirović,
- Abstract要約: SORTDはスケーラビリティを改善し、目的値の順にRashomonセットのツリーを列挙する新しいフレームワークである。
実験の結果,SORTDは技術状況と比較して,実行時間を最大2桁削減できることがわかった。
- 参考スコア（独自算出の注目度）: 4.567122178196833
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Sparse decision tree learning provides accurate and interpretable predictive models that are ideal for high-stakes applications by finding the single most accurate tree within a (soft) size limit. Rather than relying on a single "best" tree, Rashomon sets-trees with similar performance but varying structures-can be used to enhance variable importance analysis, enrich explanations, and enable users to choose simpler trees or those that satisfy stakeholder preferences (e.g., fairness) without hard-coding such criteria into the objective function. However, because finding the optimal tree is NP-hard, enumerating the Rashomon set is inherently challenging. Therefore, we introduce SORTD, a novel framework that improves scalability and enumerates trees in the Rashomon set in order of the objective value, thus offering anytime behavior. Our experiments show that SORTD reduces runtime by up to two orders of magnitude compared with the state of the art. Moreover, SORTD can compute Rashomon sets for any separable and totally ordered objective and supports post-evaluating the set using other separable (and partially ordered) objectives. Together, these advances make exploring Rashomon sets more practical in real-world applications.
- Abstract（参考訳）: スパース決定木学習(Sparse decision tree learning)は、(ソフト)サイズ制限内で最も正確な木を見つけ出すことによって、高精度なアプリケーションに理想的な正確かつ解釈可能な予測モデルを提供する。
一つの「ベスト」ツリーを頼りにするのではなく、同じ性能であるが様々な構造を持つ羅生門セットツリーは、変数の重要度分析を強化し、説明を豊かにし、ユーザーはそのような基準を客観的関数にハードコーディングすることなく、よりシンプルなツリーや利害関係者の好み(公平さなど)を選択できる。
しかし、最適木を見つけることはNPハードであるため、ラショモン集合を列挙することは本質的に困難である。
そこで我々は,拡張性を改善し,目的値の順に木を列挙する新しいフレームワークであるSORTDを紹介した。
実験の結果,SORTDは最先端技術と比較して,実行時間を最大2桁削減できることがわかった。
さらに、SORTDは、任意の分離可能かつ完全に順序づけられた目的に対してラショウモン集合を計算でき、他の分離可能(および部分的に順序づけられた)目的を用いてセットの評価後をサポートする。
これらの進歩により、ラショモンは現実世界の応用においてより実用的なものとなる。
関連論文リスト
- Multi-Armed Bandits-Based Optimization of Decision Trees [0.0]
本稿では,マルチアーマッドバンド (MAB) に基づくプルーニング手法,強化学習 (RL) に基づく手法を提案する。
そこで我々はMABアルゴリズムを用いて各プルーニング動作からのフィードバックに基づいて最適な分岐ノードを見つける。
論文 参考訳（メタデータ） (2025-08-08T02:43:45Z) - Experiments with Optimal Model Trees [1.3750624267664155]
我々は,世界規模で最適なモデル木が,非常に小さな木と競合する精度を達成できることを示した。
また、古典的最適かつ優雅に成長した決定木、ランダムな森林、およびサポートベクターマシンと比較した。
論文 参考訳（メタデータ） (2025-03-17T08:03:47Z) - 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) - Learning Deep Tree-based Retriever for Efficient Recommendation: Theory and Method [76.31185707649227]
効率的なレコメンデーションのために,Deep Tree-based Retriever (DTR)を提案する。
DTRは、トレーニングタスクを、同じレベルでツリーノード上のソフトマックスベースのマルチクラス分類としてフレーム化している。
非リーフノードのラベル付けによって引き起こされる準最適性を緩和するため、損失関数の補正法を提案する。
論文 参考訳（メタデータ） (2024-08-21T05:09:53Z) - 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) - 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) - Exploring the Whole Rashomon Set of Sparse Decision Trees [23.136590456299007]
ラショーモン集合は、ほぼ最適モデル全体の成す集合であることを示す。
粗い決定木のための羅生門セットを完全に列挙する最初の手法を提供する。
これにより、ユーザーはモデル選択に対して前例のないレベルの制御を行うことができる。
論文 参考訳（メタデータ） (2022-09-16T16:37:26Z) - 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)
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。