論文の概要: Decision-Path Patterns as Tree Reliability Signals: Path-based Adaptive Weighting for Random Forest Classification

• arxiv url: http://arxiv.org/abs/2605.20716v2
• Date: Thu, 21 May 2026 07:40:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:41.910495
• Title: Decision-Path Patterns as Tree Reliability Signals: Path-based Adaptive Weighting for Random Forest Classification
• Title（参考訳）: 樹木信頼性信号としての決定パスパターン:ランダム森林分類のための経路ベース適応重み付け
• Authors: Youngjoon Park,
• Abstract要約: ランダム林は、一様樹重の葉の分布を平均化することで木を集約する。 我々は,各木の根対葉決定経路の構造パターンがそのような信号を持っていることを観察する。 本稿では,この信号を利用したクラス条件比重み付けを提案する。
• 参考スコア（独自算出の注目度）: 0.9607593117607193
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Random forests aggregate trees by averaging leaf class distributions with uniform per-tree weight, which flattens local tree expertise into a globally averaged boundary. To refine this boundary locally, we look for signals in how individual trees navigate the feature space around each sample. We observe that the structural pattern of each tree's root-to-leaf decision path -- where and how often the dominant class label flips along it -- carries such a signal, conditional on the tree's final decision and the regional context where the sample lies. We propose a class-conditional ratio weighting that exploits this signal while guaranteeing zero expected class bias by construction, refining the ensemble decision near the boundary without trading one class against another. On 30 binary classification benchmarks (30 repeats), the proposed method yields a statistically significant accuracy improvement over RF (Wilcoxon p = 0.007), while weighted RF and the KNORA family do not reach significance (all p > 0.5). The gain is small (Δacc = +0.0011) but consistent across forest sizes from 100 to 1,000 trees, and regresses neither class (majority 0/30, minority 2/30) -- unlike KNORA-Eliminate, which lifts minority recall at the cost of majority regressions on 8/30 datasets.
• Abstract（参考訳）: ランダム・フォレストは、木々ごとの均等な分布を平均して木々を集約し、局所的な樹木の専門知識を世界平均境界に平らにしている。 この境界を局所的に洗練するために、個々の木が各サンプルの周りの特徴空間をナビゲートする方法の信号を探す。 我々は,各木の根対葉決定経路の構造パターン – 支配的なクラスラベルがどの程度の頻度で回転するか – が,木の最終決定とサンプルの置かれる地域コンテキストに条件付きで,そのようなシグナルを伝達していることを観察する。 本稿では,この信号を利用したクラス条件比重み付けを提案し,構成によって期待されるクラスバイアスをゼロにし,一方のクラスを他方と交換することなく境界付近のアンサンブル決定を精査する。 30のバイナリ分類ベンチマーク(30リピート)では、RFよりも統計的に有意な精度向上が得られ(Wilcoxon p = 0.007)、重み付きRFとKNORAファミリーは重要度に達しない(全p > 0.5)。 利得は小さい(Δacc = +0.0011)が、100から1000の樹まで森林の大きさで一貫しており、KNORA-Eliminateと異なり、KNORA-Eliminateは8/30データセットの多数派レグレッションのコストで少数派をリコールする。

関連論文リスト

• Decision Tree Embedding by Leaf-Means [11.318593165494724]
  決定木埋め込み(Decision Tree Embedding, DTE)は、訓練された分類木の葉の分割を利用して解釈可能な特徴表現を構築する、迅速かつ効果的な方法である。 各葉領域内のサンプル手段をアンカーポイントとして使用することにより、DTEは木の分割構造によって定義された埋め込み空間に入力をマップする。 軽度条件下での条件密度の保存を含む,DTEの個体群レベルの理論的特性を確立した。
  論文  参考訳（メタデータ） (2025-12-01T15:57:33Z)
• 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)
• Diversity Conscious Refined Random Forest [0.0]
  ランダムフォレスト(Random Forest、RF)は、広く使われているアンサンブル学習技術である。 RFは何百本もの木と全ての入力機能に依存しており、高いコストとモデルの冗長性をもたらす。 本研究では,情報的特徴のみに木を生長させ,無関係な木を集成・維持することで最大多様性を発揮できる改良ランダムフォレストを提案する。
  論文  参考訳（メタデータ） (2025-07-01T06:28:15Z)
• A Powerful Random Forest Featuring Linear Extensions (RaFFLE) [1.2233362977312945]
  RaFFLEは、ランダムな森林アンサンブル内でPILOTツリーをベースラーナーとして統合する新しいフレームワークである。 PILOT木は、従来の決定木の計算効率と線形モデル木の柔軟性を組み合わせたものである。 RaFFLEは様々な回帰問題に対処するための汎用ツールであることが証明されている。
  論文  参考訳（メタデータ） (2025-02-14T14:22:51Z)
• 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)
• Optimal randomized classification trees [0.0]
  分類と回帰木(英: Classification and Regression Trees、CART)は、現代の統計学と機械学習における既成の技術である。 CARTはgreedyプロシージャによって構築され、分割予測変数と関連するしきい値を逐次決定する。 この強欲なアプローチは、木を非常に高速に木に分類するが、その性質上、それらの分類精度は他の最先端の手順と競合しないかもしれない。
  論文  参考訳（メタデータ） (2021-10-19T11:41:12Z)
• 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)
• An Efficient Adversarial Attack for Tree Ensembles [91.05779257472675]
  傾斜促進決定木(DT)や無作為林(RF)などの木に基づくアンサンブルに対する敵対的攻撃 提案手法は,従来のMILP (Mixed-integer linear programming) よりも数千倍高速であることを示す。 私たちのコードはhttps://chong-z/tree-ensemble- attackで利用可能です。
  論文  参考訳（メタデータ） (2020-10-22T10:59:49Z)

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。