論文の概要: CLARITree: Cholesky and Lookahead Accelerations for Regression with Interpretable Piecewise Linear Trees

• arxiv url: http://arxiv.org/abs/2606.12840v1
• Date: Thu, 11 Jun 2026 03:07:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.556052
• Title: CLARITree: Cholesky and Lookahead Accelerations for Regression with Interpretable Piecewise Linear Trees
• Title（参考訳）: CLARITREe:Colesky and Lookahead Accelerations for Regression with Interpretable Piecewise Linear Trees
• Authors: Yixiao Wang, Hayden McTavish, Varun Babbar, Margo Seltzer, Cynthia Rudin,
• Abstract要約: 本研究では, 近接最適, スパース, ピースワイズ線形回帰木のための新しいアルゴリズムを開発した。 提案手法は, 計算効率, 予測精度, 空間幅のトレードオフを良好に実現し, 現状よりもはるかに優れたスケールを実現する。
• 参考スコア（独自算出の注目度）: 25.02010430514653
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Regression trees are among the most interpretable yet expressive model classes in machine learning. Historically, greedy induction has been the dominant approach for constructing well-performing regression trees. While optimal methods based on dynamic programming and branch-and-bound exist, they are computationally prohibitive for general linear regression trees, despite often achieving substantially better performance than greedy approaches. Recent work has shown that specialized lookahead strategies can dramatically improve runtime while maintaining near-optimal performance, primarily in classification settings. In this work, we develop a novel algorithm for near-optimal, sparse, piecewise linear regression trees that combines a lookahead-style search strategy with efficient rank-one Cholesky updates of the Gram matrix. We demonstrate, both theoretically and empirically, that our method achieves a favorable trade-off between computational efficiency, predictive accuracy, and sparsity, and scales significantly better than the current state of the art.
• Abstract（参考訳）: 回帰木は機械学習において最も解釈可能であるが表現力のあるモデルクラスの一つである。 歴史的に、グリーディー誘導は、優れたレグレッションツリーを構築するための主要なアプローチである。 動的プログラミングと分岐とバウンドに基づく最適手法は存在するが、一般的な線形回帰木では計算的に禁止されている。 最近の研究は、主に分類設定において、最適化されたルックアヘッド戦略は、ほぼ最適性能を維持しながらランタイムを劇的に改善できることを示した。 本研究では,文法行列の効率の良いランクワンのColesky更新とルックアヘッド型探索戦略を組み合わせた,近似的,スパース的,一方向線形回帰木のための新しいアルゴリズムを開発した。 理論的にも実証的にも,我々の手法が計算効率,予測精度,空間性の間で良好なトレードオフを達成し,現在の最先端技術よりもはるかに優れたスケールを実現することを実証する。

関連論文リスト

• 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)
• TreeRPO: Tree Relative Policy Optimization [65.51935468270916]
  nameは、ツリーサンプリングを用いて、様々な推論ステップで報酬の数学的期待を推定する新しい方法である。 GRPOの集団相対的な報酬訓練機構に基づいて、木サンプリング時に生成されたステップレベルグループに基づいて報酬を革新的に計算する。
  論文  参考訳（メタデータ） (2025-06-05T15:56:38Z)
• Self-Boost via Optimal Retraining: An Analysis via Approximate Message Passing [58.52119063742121]
  独自の予測と潜在的にノイズの多いラベルを使ってモデルをトレーニングすることは、モデルパフォーマンスを改善するためのよく知られた戦略である。 本稿では,モデルの予測と提供ラベルを最適に組み合わせる方法について論じる。 我々の主な貢献は、現在のモデルの予測と与えられたラベルを組み合わせたベイズ最適集約関数の導出である。
  論文  参考訳（メタデータ） (2025-05-21T07:16:44Z)
• Optimal Sparse Regression Trees [24.03491277969824]
  本研究は,確率的最適スパース回帰木の構築に対する動的プログラミングとバウンドのアプローチを提案する。 ラベル集合上の1次元におけるk平均クラスタリングアルゴリズムの最適解に基づいて、新しい下界を利用する。
  論文  参考訳（メタデータ） (2022-11-28T00:43:21Z)
• Reinforcement Learning for Branch-and-Bound Optimisation using Retrospective Trajectories [72.15369769265398]
  機械学習は分岐のための有望なパラダイムとして登場した。 分岐のための単純かつ効果的なRLアプローチであるレトロ分岐を提案する。 我々は現在最先端のRL分岐アルゴリズムを3～5倍に上回り、500の制約と1000の変数を持つMILP上での最高のILメソッドの性能の20%以内である。
  論文  参考訳（メタデータ） (2022-05-28T06:08:07Z)
• 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)
• Sparsity in Optimal Randomized Classification Trees [3.441021278275805]
  斜め切断に基づく疎い最適分類木を構築するための連続最適化手法を提案する。 空間性、すなわち局所性と大域性は、多面体ノルムの正規化によってモデル化される。 グリーディーアプローチと異なり、我々の分類精度の一部で容易に取引できる能力は、グローバル・スパシティーの獲得に寄与する。
  論文  参考訳（メタデータ） (2020-02-21T09:09:59Z)
• Stochastic tree ensembles for regularized nonlinear regression [0.913755431537592]
  本稿では,非線形回帰のための新しいツリーアンサンブル法を開発し,これをXBARTと呼ぶ。 ベイズモデルからの正規化と探索戦略と計算効率のよい手法を組み合わせることで、新しい手法は最先端の性能を達成できる。
  論文  参考訳（メタデータ） (2020-02-09T14:37:02Z)

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。