論文の概要: Search Strategies for Optimal Classification and Regression Trees

• arxiv url: http://arxiv.org/abs/2607.28170v1
• Date: Thu, 30 Jul 2026 13:08:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.573319
• Title: Search Strategies for Optimal Classification and Regression Trees
• Title（参考訳）: 最適分類と回帰木探索手法
• Abstract要約: 最適な決定木(ODT)は、与えられた目的をグローバルに最適化する機械学習モデルである。 最近の研究はスケーラビリティを向上させるための様々な検索戦略を提案しているが、それぞれの戦略の正確な貢献は未だ不明である。 我々は,従来の検索戦略をインスタンス化し,新しい検索戦略の定義を可能にするODTのための汎用アルゴリズム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）: 6.627152091494143
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Optimal decision trees (ODTs) are compact, interpretable machine learning models that globally optimize a given objective, but their scalability remains challenging. While recent work has proposed a variety of search strategies to improve scalability, the precise contribution of each strategy remains unclear. To address this gap, we introduce a general algorithmic framework for ODTs that instantiates previously used search strategies and enables the definition of new ones. This provides a common lens through which to understand and compare different strategies, which we use to empirically investigate the effect of 18 search strategies. Compared to the state of the art, the best strategy in our evaluation achieves significantly better anytime performance for classification, and improves runtime by more than an order of magnitude for regression.
• Abstract（参考訳）: 最適決定木(ODT)は、与えられた目的をグローバルに最適化するコンパクトで解釈可能な機械学習モデルである。 最近の研究はスケーラビリティを向上させるための様々な検索戦略を提案しているが、それぞれの戦略の正確な貢献はいまだ不明である。 このギャップに対処するため、我々はODTのための一般的なアルゴリズムフレームワークを導入し、このフレームワークは以前使用されていた検索戦略をインスタンス化し、新しいものの定義を可能にする。 これにより、異なる戦略を理解し比較するための共通レンズが提供され、我々は18の探索戦略の効果を実証的に調査する。 最先端技術と比較すると, 評価における最良の戦略は, 分類における任意の時間性能を著しく向上させ, 回帰の桁数以上で実行時を改善する。

関連論文リスト

• SeaEvo: Advancing Algorithm Discovery with Strategy Space Evolution [31.165726518569155]
  LLM誘導進化探索は、自動アルゴリズム発見のための有望なパラダイムとして登場した。 モデルは、自然言語の戦略記述を第一級の集団レベルの進化状態に高めるモジュラー戦略空間層である。 モデルは、ほとんどの設定において、基盤となる進化のバックボーンを改善する。
  論文  参考訳（メタデータ） (2026-04-27T12:06:15Z)
• Strategy Executability in Mathematical Reasoning: Leveraging Human-Model Differences for Effective Guidance [86.46794021499511]
  戦略利用と戦略実行可能性の間には、これまで未定のギャップがある。 SSR(Selective Strategy Retrieval)は,実行可能性を明確にモデル化するテストタイムフレームワークである。 SSRは、直接解決、文脈内学習、単一ソースガイダンスよりも信頼性が高く一貫した改善をもたらす。
  論文  参考訳（メタデータ） (2026-02-26T03:34:23Z)
• SAGE: Strategy-Adaptive Generation Engine for Query Rewriting [8.941793732446856]
  本稿では,SAGE(Strategy-Adaptive Generation Engine)について紹介する。 SAGEは、最先端のNDCG@10の結果を新たに達成すると同時に、魅力的な創発的行動も明らかにする。 この結果から, 戦略誘導型RLは, よりスケーラブルで, 効率的で, 解釈可能なパラダイムを, 次世代の堅牢な情報検索システム開発に役立てることが示唆された。
  論文  参考訳（メタデータ） (2025-06-24T16:50:51Z)
• RL-finetuning LLMs from on- and off-policy data with a single algorithm [53.70731390624718]
  大規模言語モデルを微調整するための新しい強化学習アルゴリズム(AGRO)を提案する。 AGROは生成整合性の概念を利用しており、最適ポリシーはモデルの任意の世代間での整合性の概念を満たすと述べている。 サンプルベースの政策勾配による最適解を求めるアルゴリズムを導出し,その収束に関する理論的保証を提供する。
  論文  参考訳（メタデータ） (2025-03-25T12:52:38Z)
• Stratify: Unifying Multi-Step Forecasting Strategies [0.0]
  Stratifyは、既存の戦略の予測と統合に対処するフレームワークである。 1080の実験の84%以上で、Stratifyの新たな戦略は、既存のすべての実験と比べてパフォーマンスを改善した。 我々の結果は、既知の予測戦略と新しい予測戦略の最も包括的なベンチマークである。
  論文  参考訳（メタデータ） (2024-12-29T16:06:46Z)
• Deep Reinforcement Learning for Online Optimal Execution Strategies [49.1574468325115]
  本稿では,動的な金融市場における非マルコフ的最適実行戦略の学習に挑戦する。 我々は,Deep Deterministic Policy Gradient(DDPG)に基づく新しいアクター批判アルゴリズムを提案する。 提案アルゴリズムは最適実行戦略の近似に成功していることを示す。
  論文  参考訳（メタデータ） (2024-10-17T12:38:08Z)
• Towards a Unified View of Preference Learning for Large Language Models: A Survey [88.66719962576005]
  大きな言語モデル(LLM)は、非常に強力な能力を示す。 成功するための重要な要因の1つは、LLMの出力を人間の好みに合わせることである。 選好学習のすべての戦略を、モデル、データ、フィードバック、アルゴリズムの4つの構成要素に分解する。
  論文  参考訳（メタデータ） (2024-09-04T15:11:55Z)
• Large-scale Fully-Unsupervised Re-Identification [78.47108158030213]
  大規模未ラベルデータから学ぶための2つの戦略を提案する。 第1の戦略は、近傍関係に違反することなく、それぞれのデータセットサイズを減らすために、局所的な近傍サンプリングを行う。 第2の戦略は、低時間上限の複雑さを持ち、メモリの複雑さを O(n2) から O(kn) に k n で還元する新しい再帰的手法を利用する。
  論文  参考訳（メタデータ） (2023-07-26T16:19:19Z)
• Portfolio Search and Optimization for General Strategy Game-Playing [58.896302717975445]
  ローリングホライズン進化アルゴリズムに基づく最適化とアクション選択のための新しいアルゴリズムを提案する。 エージェントのパラメータとポートフォリオセットの最適化について,N-tuple Bandit Evolutionary Algorithmを用いて検討する。 エージェントの性能分析により,提案手法はすべてのゲームモードによく一般化し,他のポートフォリオ手法よりも優れることが示された。
  論文  参考訳（メタデータ） (2021-04-21T09:28:28Z)
• Can Global Optimization Strategy Outperform Myopic Strategy for Bayesian Parameter Estimation? [0.0]
  本報告では,グローバル戦略とミオピック戦略のパフォーマンス改善と負担を比較検討した実験結果に基づいて,その回避策を提案する。 グローバル戦略の新たな地平線は、最も即時的な次のステップ以外の、最適なグローバルユーティリティの改善に無視できる貢献をしている。
  論文  参考訳（メタデータ） (2020-07-01T10:31:16Z)

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。