論文の概要: Relevance-Aware Rule: Structural Deletion of Irrelevant Conditions in Decision Trees
- arxiv url: http://arxiv.org/abs/2607.13874v1
- Date: Wed, 15 Jul 2026 14:24:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-16 16:39:12.795178
- Title: Relevance-Aware Rule: Structural Deletion of Irrelevant Conditions in Decision Trees
- Title（参考訳）: 関連性を考慮したルール:決定木における非関連条件の構造的削除
- Abstract要約: 決定木は解釈可能なif-then規則を生成するが、それらは無関係条件(IRC)を含む。
既存のIRCの削除方法は、この構造機構を見落としている。
構造的IRC削除フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 9.624643581968988
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Decision trees generate interpretable if--then rules, yet they contain irrelevant conditions (IRCs). These IRCs arise from the structural mechanism of tree splitting and persist even in modern optimal sparse tree induction algorithms. Existing IRC deletion methods overlook this structural mechanism; therefore, they either preserve the original tree too loosely to remain reliable, or too strictly to achieve meaningful simplification. This study provides theoretical foundations for reliable IRC deletion by establishing theorems and propositions related to the underlying IRC mechanism. The key finding is that a binary split shifts class proportions in opposite directions relative to the parent. Specifically, an increase in the class-1 proportion along one branch necessitates an increase in the class-0 proportion along its sibling, thereby generating a C1-link and a C0-link. Based on this structural fact, we propose a structural IRC deletion framework. Relative to each leaf, links that increase the leaf-class proportion are matched, whereas links that increase the proportion of the opposite leaf-class are mismatched. These mismatched links are flagged as structurally suspicious IRC candidates. Rather than deleting them outright, the framework rigorously diagnoses their relevance by assessing prediction reliability. It selectively deletes conditions that are structurally and empirically irrelevant, while strictly protecting those whose deletion would reduce the rule's reliability. Experimental results confirm that the proposed framework achieves substantial rule simplification without sacrificing the reliability of the original tree.
- Abstract（参考訳）: 決定木は解釈可能なif-規則を生成するが、それらは関係のない条件(IRC)を含んでいる。
これらのIRCは、木分割の構造機構から発生し、現代の最適スパースツリー誘導アルゴリズムにおいても持続する。
既存のIRC削除方法は、この構造機構を見落としているため、元の木を緩やかに保存し、信頼性を保つか、意味のある単純化を達成するために厳密すぎるかのいずれかである。
本研究は、基礎となるIRC機構に関連する定理と命題を確立することにより、信頼性のあるIRC削除の理論的基礎を提供する。
鍵となる発見は、二項分割が親に対する反対方向のクラス比率をシフトすることである。
具体的には、ある分岐に沿ったクラス-1比の増大は、その兄弟環に沿ったクラス0比の増大を必要とし、それによってC1-リンクとC0-リンクを生成する。
この構造的事実に基づいて,構造的IRC削除フレームワークを提案する。
各葉について、葉の比率を増加させるリンクが一致し、反対側の葉の比率を上げるリンクが一致しない。
これらのミスマッチリンクは、構造的に不審なIRC候補としてフラグ付けされている。
フレームワークはそれらを完全に削除するのではなく、予測信頼性を評価して、その妥当性を厳格に診断する。
構造的にも経験的にも無関係な条件を選択的に削除し、削除した条件を厳格に保護し、規則の信頼性を低下させる。
実験により,本フレームワークは,原木の信頼性を犠牲にすることなく,実質的なルール単純化を実現することを確認した。
関連論文リスト
- Learning Auditable Classifier Models: Source-Disjoint Tree Ensembles [0.0]
臨床および規制された設定における予測モデルは正確で、完全に監査可能である必要がある。
本稿では,3段階学習手法であるResidual Pattern Tree Ensemble(RPTE)を紹介する。
RPTEは、有界特徴予算(bounded feature budget)、ソースの不整合(source disjointness)、別個の係数推定という3つの重要な原則に基づいている。
論文 参考訳（メタデータ） (2026-08-16T12:56:49Z) - Weave of Formal Thought [51.56484100374058]
WoFT(Weave of Formal Thought)は、厳密な構文的検証と学習された構造的表現を結合したパラダイムである。
本稿では,非終端文法記号を直接生成にインターリーブするために,言語モデルを訓練する潜時可変微調整法を提案する。
Pythonでは、RWS目的のStarCoder2-3Bを微調整することで、テキストのみのSFTベースラインと比較して、トーケン毎のクロスエントロピーが14.3%削減される。
論文 参考訳（メタデータ） (2026-06-24T15:58:11Z) - FunctionEvolve: Structure-Guided Symbolic Regression with LLMs [26.85183376972782]
FunctionEvolveは、式木を使って検索全体を整理する進化的フレームワークである。
107個の正確な形状を復元し、同じバックボーンのベースラインより82.9%のSA@50、4.5倍のSA@1、3.6倍のSA@1に達する。
論文 参考訳（メタデータ） (2026-06-05T09:18:01Z) - MIST: Reliable Streaming Decision Trees for Online Class-Incremental Learning via McDiarmid Bound [6.276425555068115]
ストリーム決定木は、オープンワールド連続学習の自然な候補である。
2つの混在した誤校正のために、オンラインのクラスインクリメンタルラーニングでは依然として失敗している。
本稿では,MIST(McDiarmid Incremental Streaming Tree)について述べる。
論文 参考訳（メタデータ） (2026-05-12T06:45:00Z) - Breaking the Chain: A Causal Analysis of LLM Faithfulness to Intermediate Structures [58.54426802984356]
本稿では,出力を因果的に決定する因果評価プロトコルを提案する。
8つのモデルと3つのベンチマークで、モデルは自身の中間構造と自己整合しているように見えるが、最大60%のケースに介入した後に予測を更新できない。
全体として、スキーマ誘導パイプラインの中間構造は、安定した因果メディエータよりも影響のある文脈として機能する。
論文 参考訳（メタデータ） (2026-03-17T13:01:44Z) - Belief Graphs with Reasoning Zones: Structure, Dynamics, and Epistemic Activation [1.7244210453129227]
信念は、エッジがサポートと矛盾を符号化する有向、符号付き、重み付きグラフのノードである。
信頼は、前述と構造認識の影響を混合する収縮伝播プロセスによって得られる。
提案手法は, 人工署名グラフ上に, 植込みゾーン, レポートゾーン回復, 衝撃下での安定性, 実行時の安定性に関する実証的プロトコルを概説する。
論文 参考訳（メタデータ） (2025-10-11T06:02:00Z) - A Signed Graph Approach to Understanding and Mitigating Oversmoothing in GNNs [54.62268052283014]
署名されたグラフの枠組みに基づく統一的な理論的視点を示す。
既存の戦略の多くは、メッセージパッシングを変えて過度な操作に抵抗する負のエッジを暗黙的に導入している。
本稿では,ラベルや特徴の類似性に基づいて署名されたエッジを割り当てるプラグイン・アンド・プレイ方式であるStructure Balanced Propagation (SBP)を提案する。
論文 参考訳（メタデータ） (2025-02-17T03:25:36Z) - 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) - Causal Lifting and Link Prediction [10.336445584242933]
リンク予測において経路依存を扱える最初の因果モデルを開発した。
構造的対埋め込みが低いバイアスを示し、タスクの因果構造を正しく表すことを示す。
因果関係予測タスクの3つのシナリオについて理論的知見を検証した。
論文 参考訳（メタデータ） (2023-02-02T16:25:16Z) - Please Mind the Root: Decoding Arborescences for Dependency Parsing [67.71280539312536]
我々はUniversal Dependency Treebankから多くの言語における最先端の出力を分析する。
最悪の制約違反率は24%です。
論文 参考訳（メタデータ） (2020-10-06T08:31:14Z) - CSNE: Conditional Signed Network Embedding [77.54225346953069]
署名されたネットワークは、友人/フォアや信頼/不信のようなエンティティ間の正と負の関係を符号化する。
サイン予測のための既存の埋め込み手法は、一般に最適化関数におけるステータスやバランス理論の異なる概念を強制する。
条件付き符号付きネットワーク埋め込み(CSNE)を導入する。
我々の確率論的アプローチは、きめ細かな詳細とは別途、ネットワーク内の記号に関する構造情報をモデル化する。
論文 参考訳（メタデータ） (2020-05-19T19:14:52Z)
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。