Fugu-MT 論文翻訳(概要): Simultaneous Latent Budget Trees for Stratified Classification

論文の概要: Simultaneous Latent Budget Trees for Stratified Classification

arxiv url: http://arxiv.org/abs/2606.13295v2
Date: Mon, 15 Jun 2026 09:50:04 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-16 13:45:31.204926
Title: Simultaneous Latent Budget Trees for Stratified Classification
Title（参考訳）: 階層分類のための同時潜在予算木
Authors: Simultaneous Latent Budget Trees for Stratified Classification Cristian Buoncompagni, Stefano Pellegrino, Giulia Vannucci, Raffaele Dubbioso, Roberta Siciliano,
Abstract要約: 本稿では,分類木のための確率的機械学習フレームワークである同時潜在予算木について紹介する。モデルに基づく分割規則では、子ノードを同時混合モデルの潜在成分として解釈する。本手法は筋萎縮性側索硬化症の疾患進行における性差について検討する。
参考スコア（独自算出の注目度）: 0.11744028458220425
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In the era of Explainable Artificial Intelligence, there is a renewed focus on single trees for their ease of interpretation. This paper introduces Simultaneous Latent Budget Trees, a probabilistic machine learning framework for classification trees in the presence of a stratification factor such as a temporal, spatial, or demographic variable, acting as a control variable or potential confounder. Standard tree growth procedures are not designed to optimize a conditional split rule. A model-based split rule is proposed in which child nodes are interpreted as latent components of a simultaneous mixture model, such as the Simultaneous Latent Budget Model and its constrained versions, fitted to the parent node. Mixing parameters drive the observations, differently for each group, to the child nodes whereas latent budgets parameters update the response classes profile of each level of the control variable. Parameters are estimated by least squares considering a neural network perspective of the model. An informative tree structure can be interactively visualized with interpretation aids on the node and the paths, including visual pruning and decision tree selection procedure. Suitable measures are proposed to handle an unbalanced response class distribution. The proposed methodology is applied to investigate gender-related differences in disease progression of Amyotrophic Lateral Sclerosis. The SLBT library with the various tree-based algorithms is available in the linked GitHub repository.
Abstract（参考訳）: 説明可能な人工知能の時代、解釈の容易さのために単一の木に新たな焦点が当てられている。本稿では,時間的・空間的・人口的変動といった階層化要因の存在下で,木を分類する確率論的機械学習フレームワークである同時潜在予算木について紹介する。標準的な木の成長手順は、条件付き分割ルールを最適化するために設計されていない。モデルに基づく分割規則では、子ノードを同時混合モデルの潜在成分として解釈する。混合パラメータは、各グループごとに観察を子ノードに駆動するが、潜在予算パラメータは、制御変数の各レベルのレスポンスクラスプロファイルを更新する。パラメータは、モデルのニューラルネットワークパースペクティブを考慮した最小二乗によって推定される。情報的ツリー構造は、視覚的プルーニングや決定木選択手順を含む、ノードとパスの解釈補助と対話的に可視化することができる。不均衡な応答クラス分布を扱うための適切な対策が提案されている。本手法は筋萎縮性側索硬化症の疾患進行における性差について検討する。さまざまなツリーベースのアルゴリズムを備えたSLBTライブラリは、リンクされたGitHubリポジトリで利用できる。

関連論文リスト

ShapShift: Explaining Model Prediction Shifts with Subgroup Conditional Shapley Values [21.035730606359174]
入力分布の変化は、機械学習モデルの平均予測におけるシフトを誘導することができる。本稿では,データの解釈可能な部分群の条件付き確率変化に予測シフトをもたらすShapley値法を提案する。モデルクラス間での予測シフトについて、単純で忠実でほぼ完全に説明できることを示す。
論文参考訳（メタデータ） (2026-04-13T08:56:51Z)
TreePS-RAG: Tree-based Process Supervision for Reinforcement Learning in Agentic RAG [71.06073770344732]
エージェント検索強化生成(RAG)は、推論と情報検索の多段階的な相互作用として質問応答を定式化する。エージェントRAGのためのオンラインツリーベースRLフレームワークであるTreePS-RAGについて述べる。
論文参考訳（メタデータ） (2026-01-11T14:07:30Z)
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)
Hierarchical Quantized Diffusion Based Tree Generation Method for Hierarchical Representation and Lineage Analysis [49.00783841494125]
HDTreeは階層的潜在空間内の木関係を、統一的な階層的コードブックと量子化拡散プロセスを用いてキャプチャする。 HDTreeの有効性は、汎用データセットと単一セルデータセットの比較によって示される。これらの貢献は階層的な系統解析のための新しいツールを提供し、より正確で効率的な細胞分化経路のモデリングを可能にする。
論文参考訳（メタデータ） (2025-06-29T15:19:13Z)
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)
Explainable Clustering Beyond Worst-Case Guarantees [5.65604054654671]
Moshkovitz, Dasgupta, Rashtchian, Frost (ICML 2020) による説明可能なクラスタリング問題について検討した。説明可能なクラスタリングの目標は、軸に沿った決定木に$K$のリーフと最小のクラスタリングコスト(すべてのリーフがクラスタである)を適合させることだ。
論文参考訳（メタデータ） (2024-11-03T14:00:20Z)
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)
Divide, Conquer, Combine Bayesian Decision Tree Sampling [1.1879716317856945]
決定木は、その柔軟性と解釈可能性のために予測モデルとして一般的に使用される。本稿では,ベイズ推定手法を用いて決定木予測の不確かさを定量化する。
論文参考訳（メタデータ） (2024-03-26T23:14:15Z)
Why do Random Forests Work? Understanding Tree Ensembles as Self-Regularizing Adaptive Smoothers [68.76846801719095]
統計学で広く普及している偏りと分散還元に対する現在の高次二分法は、木のアンサンブルを理解するには不十分である、と我々は主張する。森林は、通常暗黙的に絡み合っている3つの異なるメカニズムによって、樹木を改良できることを示す。
論文参考訳（メタデータ） (2024-02-02T15:36:43Z)
RLET: A Reinforcement Learning Based Approach for Explainable QA with Entailment Trees [47.745218107037786]
本稿では,強化学習に基づくEntailment Tree生成フレームワークであるRLETを提案する。 RLETは文の選択と推論生成モジュールによる単一ステップ推論を反復的に行う。 EntailmentBankデータセットの3つの設定の実験では、RLフレームワークを使用することの強みが示されている。
論文参考訳（メタデータ） (2022-10-31T06:45:05Z)
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。