論文の概要: Twoblock clustering trees with coskewness-based dimension reduction: recovering piecewise multivariate linear regimes

• arxiv url: http://arxiv.org/abs/2607.20760v1
• Date: Wed, 22 Jul 2026 22:20:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.227158
• Title: Twoblock clustering trees with coskewness-based dimension reduction: recovering piecewise multivariate linear regimes
• Title（参考訳）: コスクチュネスに基づく次元減少を伴う2ブロッククラスタリング木:断片的多変量線形状態の復元
• Abstract要約: 2ブロッククラスタリングツリー(tbtree)は、多変量応答のための高度に解釈可能な回帰ツリーとして導入される。 2ブロック木は、局所的多変量線形モデルを葉として持つ決定論的決定木である。 分割を生成する2ブロックモデルと葉のモデルを検査し解釈することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The twoblock clustering tree (\tbtree) is introduced as a highly interpretable regression tree for multivariate responses. Twoblock trees are deterministic decision trees that have local multivariate linear models as their leaves and use dense or sparse twoblock dimension reduction as local leaf models and in the impurity. The resulting models are both computationally efficient and can be highly interpretable. Beyond proposing the decision tree estimator itself, this paper also introduces an estimator for the twoblock dimension reduced space based on maximizing coskewness, which facilitates identification of non-normal clusters in the data. The tree inherently produces a set of local linear models and is therefore apt to recover peicewise linear regimes, which is illustrated in a simulation. However, two real world data examples illustrate that twoblock trees are also capable of modeling more complexly nonlinear dependencies and can perform on par with black box modeling techniques, such as random forests. At each point, both the twoblock models that generate the splits, as well as the ones in the leaves, can be inspected and interpreted.
• Abstract（参考訳）: 2ブロッククラスタリングツリー(\tbtree)は、多変量応答のための高度に解釈可能な回帰ツリーとして導入される。 2ブロック木は、葉として局所多変量線形モデルを持ち、局所的な葉モデルおよび不純物として密度またはスパースな2ブロック次元還元を用いる決定論的決定木である。 結果のモデルは計算効率が良く、高い解釈が可能である。 決定木推定器自体の提案以外にも,コキューネスの最大化に基づく2ブロック次元縮小空間の推定器を導入し,データ中の非正規クラスタの同定を容易にする。 この木は本質的に一組の局所線型モデルを生成しており、したがって、シミュレーションで示されるようなピースワイズ線形レジームを回復する傾向にある。 しかし、実世界の2つのデータ例は、2ブロック木がより複雑な非線形依存をモデル化でき、ランダムフォレストのようなブラックボックスモデリング技術と同等に実行可能であることを示している。 各点において、分割を生成する2ブロックモデルと葉の中のモデルの両方を検査して解釈することができる。

関連論文リスト

• Partition Trees: Conditional Density Estimation over General Outcome Spaces [46.1988967916659]
  一般結果空間上での条件密度推定のための木に基づくフレームワークである分割木を提案する。 本手法は,データ適応分割における条件分布を一括一貫した密度としてモデル化し,条件付き負の対数関係を直接最小化して木を学習する。
  論文  参考訳（メタデータ） (2026-02-03T22:12:30Z)
• 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)
• 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)
• 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 on Model Weights using Tree Experts [39.90685550999956]
  モデルの重みから直接、欠落したドキュメントを推測するために機械学習モデルを訓練することは難しい。 ほとんどの公開モデルは、モデルツリーの小さなセットに属します。 Probing Experts (ProbeX) は理論的に動機づけられた軽量な手法で、単一のモデル層の重みから学習する。
  論文  参考訳（メタデータ） (2024-10-17T17:17:09Z)
• Exploring space efficiency in a tree-based linear model for extreme multi-label classification [11.18858602369985]
  Extreme Multi-label Classification (XMC) は、複数のラベルから関連するサブセットを特定することを目的としている。 XMCの様々なアプローチの中で、ツリーベースの線形モデルは効率と単純さの点で有効である。 本研究では,その空間における理論的および実証的な解析を行い,疎データの仮定の下で木モデルを記憶する。
  論文  参考訳（メタデータ） (2024-10-12T15:02:40Z)
• 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)
• Mixtures of All Trees [28.972995038976745]
  我々は、すべての木の混合と呼ばれる新しい生成モデルのクラスを提案し、すなわち、$n$変数上のすべての可能な(nn-2$)木形のグラフィカルモデルに混合する。 我々は,この混合木モデル(MoAT)をコンパクトにパラメータ化することで,勾配勾配勾配による抽出可能な可能性と最適化を可能にすることを示す。
  論文  参考訳（メタデータ） (2023-02-27T23:37:03Z)
• On marginal feature attributions of tree-based models [0.11184789007828977]
  辺縁的なシャプリー、オーウェンまたはバンジャフの値など、辺縁的な期待に基づく局所的な特徴属性を用いることができる。 パス依存(path-dependent)のTreeSHAPが特徴のランク付けを行うのと全く同じ関数を計算する2つの(統計的に類似した)決定木を提示する。 我々は、CataBoostモデルの余剰Shapley(およびBanzhafとOwen)値についてのみ、複雑さを改善し、内部モデルパラメータの観点からのみ、明示的な式を導出するために対称性を利用する。
  論文  参考訳（メタデータ） (2023-02-16T17:18:03Z)
• Robust estimation of tree structured models [0.0]
  ノイズの多い二分データから、可能な木の小さな等価クラスまで、木を復元できることが示される。 また、Chow-Liuアルゴリズムがノイズデータから根本木を継続的に学習する際の特徴付けも提供する。
  論文  参考訳（メタデータ） (2021-02-10T14:58:40Z)
• Provable Model-based Nonlinear Bandit and Reinforcement Learning: Shelve Optimism, Embrace Virtual Curvature [61.22680308681648]
  決定論的報酬を有する1層ニューラルネットバンディットにおいても,グローバル収束は統計的に難解であることを示す。 非線形バンディットとRLの両方に対して,オンラインモデル学習者による仮想アセンジ(Virtual Ascent with Online Model Learner)というモデルベースアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-08T12:41:56Z)
• 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)
• Convex Polytope Trees [57.56078843831244]
  コンベックスポリトープ木(CPT)は、決定境界の解釈可能な一般化によって決定木の系統を拡張するために提案される。 木構造が与えられたとき,木パラメータに対するCPTおよび拡張性のあるエンドツーエンドトレーニングアルゴリズムを効率的に構築する。
  論文  参考訳（メタデータ） (2020-10-21T19:38:57Z)

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。