論文の概要: Multistage Defer Trees for Hybrid Interpretability: If at First You Can't Succeed, Tree Again

• arxiv url: http://arxiv.org/abs/2606.30995v1
• Date: Tue, 30 Jun 2026 00:15:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.03304
• Title: Multistage Defer Trees for Hybrid Interpretability: If at First You Can't Succeed, Tree Again
• Title（参考訳）: ハイブリッド・インタープリタビリティのためのマルチステージデファーツリー: 最初は理解できなかったら、再びツリー
• Authors: Zakk Heile, Hayden McTavish, Margo Seltzer, Cynthia Rudin,
• Abstract要約: 多段階デファーツリー(Multi stage Defer Trees)は、スパース決定木の列であり、それぞれがほとんどのサンプルに対して予測を行う。 我々は、このモデルクラスを、複雑なツリーベースのアンサンブルのパフォーマンスに合わせて訓練し、ほとんどのサンプルを1つまたは少数のスパース決定ツリーにルーティングできることを実証した。
• 参考スコア（独自算出の注目度）: 21.921639033742903
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent work has shown that well-optimized individual decision trees can match complex black box models in some settings, primarily in noisy domains. For the remaining settings, however, complex ensembled compositions of trees often achieve higher accuracy at the cost of interpretability, leaving practitioners with difficult modeling decisions along an accuracy-interpretability tradeoff. Ideally, we would like to classify as much of the data as possible with one or a small number of trees, achieving interpretability for most samples while maintaining state-of-the-art accuracy. We introduce Multistage Defer Trees: a sequence of sparse decision trees that each make predictions for most samples, while deferring a small proportion to the next tree in the sequence or, ultimately, to a black box. We demonstrate that we can train this model class to match the performance of complex tree-based ensembles while routing most samples through only one or a small number of sparse decision trees. We discuss a range of techniques for training these models while maintaining simplicity. Our method expands the accuracy--interpretability frontier in settings where single-tree methods remain insufficient, demonstrating that even when complex models are necessary, they need not be fully opaque.
• Abstract（参考訳）: 最近の研究は、よく最適化された個々の決定木が、いくつかの設定において、主にノイズの多い領域において複雑なブラックボックスモデルと一致することを示している。 しかし、残りの設定では、複雑な木々の組立構成は、解釈可能性の犠牲で高い精度を達成し、精度と解釈可能性のトレードオフに沿って、実践者が難しいモデリング決定を下す。 理想的には、できるだけ多くのデータを1つまたは少数の木で分類し、最先端の精度を維持しながら、ほとんどのサンプルの解釈可能性を実現したいと考えています。 マルチステージデファーツリー(Multi stage Defer Trees)は、ほとんどのサンプルに対して予測を行うスパース決定木の列であり、シーケンス内の次のツリーに小さな比率で、最終的にブラックボックスに遅延する。 我々は、このモデルクラスを、複雑なツリーベースのアンサンブルのパフォーマンスに合わせて訓練し、ほとんどのサンプルを1つまたは少数のスパース決定ツリーにルーティングできることを実証した。 単純さを維持しながら、これらのモデルをトレーニングするための様々なテクニックについて論じる。 本手法は,複雑なモデルが必要な場合でも,完全に不透明でなくてもよいことを示すため,単一木の手法が不十分な設定における精度-解釈可能性のフロンティアを拡大する。

関連論文リスト

• Entropy-Tree: Tree-Based Decoding with Entropy-Guided Exploration [52.52685988964061]
  Entropy-Treeは、分岐決定の信号としてエントロピーを利用するツリーベースのデコード手法である。 単一の復号処理において、効率的な構造化された探索と信頼性の高い不確実性推定を統一する。
  論文  参考訳（メタデータ） (2026-01-02T07:14:05Z)
• 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)
• Terminating Differentiable Tree Experts [77.2443883991608]
  本稿では,変圧器と表現生成器の組み合わせを用いて木操作を学習するニューラルシンボリック微分木機械を提案する。 まず、専門家の混在を導入することで、各ステップで使用される一連の異なるトランスフォーマーレイヤを取り除きます。 また,モデルが自動生成するステップ数を選択するための新しい終端アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-02T08:45:38Z)
• 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)
• Social Interpretable Tree for Pedestrian Trajectory Prediction [75.81745697967608]
  本稿では,このマルチモーダル予測課題に対処するため,SIT(Social Interpretable Tree)と呼ばれる木に基づく手法を提案する。 木の根から葉までの経路は、個々の将来の軌跡を表す。 ETH-UCYとStanford Droneのデータセットによる実験結果からは,手作り木にもかかわらず,我々の手法が最先端の手法の性能に適合または超えることを示した。
  論文  参考訳（メタデータ） (2022-05-26T12:18:44Z)
• Fast Interpretable Greedy-Tree Sums [8.268938983372452]
  Fast Interpretable Greedy-Tree Sums (FIGS) は、CARTアルゴリズムを一般化し、要約において柔軟な数の木を成長させる。 G-FIGSは、ドメイン知識を反映し、感度や解釈性を犠牲にすることなく(CARTよりも20%も向上した)特異性を享受するCDIを導出する。 Bagging-FIGSは、現実世界のデータセット上でランダムなフォレストやXGBoostと競合するパフォーマンスを享受している。
  論文  参考訳（メタデータ） (2022-01-28T04:50:37Z)
• 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)
• 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)

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。