論文の概要: WOODELF-HD: Efficient Background SHAP for High-Depth Decision Trees

• arxiv url: http://arxiv.org/abs/2604.10569v1
• Date: Sun, 12 Apr 2026 10:32:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.106434
• Title: WOODELF-HD: Efficient Background SHAP for High-Depth Decision Trees
• Title（参考訳）: WoODELF-HD:高深度決定木のための効率的な背景SHAP
• Authors: Ron Wettenstein, Alexander Nadel, Udi Boker,
• Abstract要約: WoodelfHDはWoodelfの拡張で、3Dファクタを2Dに減らす。 WoodelfHDは、深さ21までの木に対して、正確なバックグラウンドSHAP計算を可能にする。 それぞれ33倍と162倍のスピードアップを実現している。
• 参考スコア（独自算出の注目度）: 41.99844472131922
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Decision-tree ensembles are a cornerstone of predictive modeling, and SHAP is a standard framework for interpreting their predictions. Among its variants, Background SHAP offers high accuracy by modeling missing features using a background dataset. Historically, this approach did not scale well, as the time complexity for explaining n instances using m background samples included an O(mn) component. Recent methods such as Woodelf and PLTreeSHAP reduce this to O(m+n), but introduce a preprocessing bottleneck that grows as 3^D with tree depth D, making them impractical for deep trees. We address this limitation with WoodelfHD, a Woodelf extension that reduces the 3^D factor to 2^D. The key idea is a Strassen-like multiplication scheme that exploits the structure of Woodelf matrices, reducing matrix-vector multiplication from O(k^2) to O(k*log(k)) via a fully vectorized, non-recursive implementation. In addition, we merge path nodes with identical features, reducing cache size and memory usage. When running on standard environments, WoodelfHD enables exact Background SHAP computation for trees with depths up to 21, where previous methods fail due to excessive memory usage. For ensembles of depths 12 and 15, it achieves speedups of 33x and 162x, respectively, over the state-of-the-art.
• Abstract（参考訳）: 決定木アンサンブルは予測モデルの基礎であり、SHAPは予測を解釈するための標準フレームワークである。 その亜種の中で、バックグラウンドSHAPは、バックグラウンドデータセットを使用して欠落した特徴をモデリングすることによって、高い精度を提供する。 歴史的に、このアプローチはスケールしなかった。mバックグラウンドサンプルを使用したnインスタンスの説明には、O(mn)コンポーネントが含まれていた。 Woodelf や PLTreeSHAP などの最近の手法では,これを O(m+n) に還元するが,木深D で3^D に成長する前処理ボトルネックを導入し,深い木にとって実用的ではない。 ここでは、3^D因子を2^Dに還元するWoodelf拡張であるWoodelfHDを用いて、この制限に対処する。 キーとなるアイデアは、ウッドルフ行列の構造を利用して、完全にベクトル化された非再帰的な実装によってO(k^2) から O(k*log(k)) への行列ベクトル乗算を減じるストラッセン的な乗法である。 さらに、パスノードを同一の機能でマージし、キャッシュサイズとメモリ使用量を削減します。 標準的な環境で実行する場合、WoodelfHDは深さ21までの木に対して、正確なバックグラウンドSHAP計算を可能にする。 12と15のアンサンブルでは、それぞれ33倍と162倍のスピードアップを達成する。

関連論文リスト

• From Decision Trees to Boolean Logic: A Fast and Unified SHAP Algorithm [45.88028371034407]
  我々は、決定木、ゲーム理論、ブール論理を統一したフレームワークに統合するSHAPアルゴリズムであるWOODELFを紹介する。 WoodELFはCPUやGPUのハードウェアでも効率的に動作するように設計されている。
  論文  参考訳（メタデータ） (2025-11-12T14:43:27Z)
• TreePO: Bridging the Gap of Policy Optimization and Efficacy and Inference Efficiency with Heuristic Tree-based Modeling [65.46347858249295]
  TreePOは自己誘導型ロールアウトアルゴリズムで、シーケンス生成を木構造検索プロセスとして見る。 TreePOは基本的に、探索の多様性を保存または強化しながら、更新毎の計算負担を削減します。
  論文  参考訳（メタデータ） (2025-08-24T16:52:37Z)
• Fully Sparse 3D Occupancy Prediction [37.265473869812816]
  運転予測は自動運転において重要な役割を果たす。 従来の手法は通常、密集した3Dボリュームを構築し、シーン固有の空間を無視し、高い計算コストを被る。 我々は,SparseOccと呼ばれる,完全スパース占有ネットワークを新たに導入した。 SparseOccは最初、カメラのみの入力からスパース3D表現を再構築し、その後スパースクエリによって3Dスパース表現からセマンティック/インスタンス占有を予測する。
  論文  参考訳（メタデータ） (2023-12-28T16:54:53Z)
• Policy Gradient with Tree Expansion [72.10002936187388]
  政策勾配法は、大きなばらつきと高いサンプルの複雑さを持つことで有名である。 我々は、計画を採用するソフトマックスの一般化であるSoftTreeMaxを紹介します。 我々は、SoftTreeMaxが勾配のばらつきを3桁に減らすことを示す。
  論文  参考訳（メタデータ） (2023-01-30T19:03:14Z)
• P3Depth: Monocular Depth Estimation with a Piecewise Planarity Prior [133.76192155312182]
  本研究では,コプラナー画素からの情報を選択的に活用して予測深度を改善する手法を提案する。 本手法の広範な評価により, 教師付き単分子深度推定法において, 新たな手法の確立が期待できる。
  論文  参考訳（メタデータ） (2022-04-05T10:03:52Z)
• Hierarchical Shrinkage: improving the accuracy and interpretability of tree-based methods [10.289846887751079]
  木構造を改変しないポストホックアルゴリズムである階層収縮(Hierarchical Shrinkage, HS)を導入する。 HSは、他の正規化技術と併用しても、決定木の予測性能を大幅に向上させる。 すべてのコードとモデルはGithubにある本格的なパッケージでリリースされている。
  論文  参考訳（メタデータ） (2022-02-02T02:43:23Z)
• Growing Deep Forests Efficiently with Soft Routing and Learned Connectivity [79.83903179393164]
  この論文は、いくつかの重要な側面で深い森林のアイデアをさらに拡張します。 我々は、ノードがハードバイナリ決定ではなく、確率的ルーティング決定、すなわちソフトルーティングを行う確率的ツリーを採用する。 MNISTデータセットの実験は、私たちの力のある深部森林が[1]、[3]よりも優れたまたは匹敵するパフォーマンスを達成できることを示しています。
  論文  参考訳（メタデータ） (2020-12-29T18:05:05Z)

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。