論文の概要: Hoeffding adaptive splitting trees for data stream classification with concept drift and ensemble learning
- arxiv url: http://arxiv.org/abs/2608.16659v1
- Date: Mon, 17 Aug 2026 14:53:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.755471
- Title: Hoeffding adaptive splitting trees for data stream classification with concept drift and ensemble learning
- Title（参考訳）: 概念ドリフトとアンサンブル学習を用いたデータストリーム分類のためのホエッディング適応分割木
- Abstract要約: Hoeffding Trees はベースラーナーとして広く採用されており、Hoeffding 境界に従って周期的な分割試行を行う。
しかし、近年の研究では、この標準分裂機構には適応性がないことが示されている。
本稿では,2つの新しい決定木モデル,Hoeffding Adaptive Splitting Treeを提案する。
- 参考スコア（独自算出の注目度）: 5.348876409230946
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ensembles of decision trees are well-established methods for data stream classification. In ensemble learning, Hoeffding Trees are widely adopted as base learners, performing periodic split attempts according to the Hoeffding bound. Recent studies, however, indicate that this standard splitting mechanism lacks adaptability, while adaptive trees that trigger splits in response to performance degradation have achieved superior results. In this paper, we identify limitations in the use of adaptive-splitting decision trees as ensemble base learners, showing that change detectors often fail to promote sufficient diversity within ensembles. To address this issue, we propose two novel decision tree models, termed Hoeffding Adaptive Splitting Trees. These models combine the periodic splitting strategy of Hoeffding Trees, which fosters ensemble diversity, with adaptive splitting mechanisms that employ change detection algorithms to identify performance decay and determine split points. Experimental results demonstrate that Hoeffding Adaptive Splitting Trees enhance ensemble performance and achieve state-of-the-art results across a comprehensive evaluation, including benchmark comparisons, computational cost analysis, and concept drift adaptation.
- Abstract（参考訳）: 決定木の集合は、データストリーム分類のための確立された方法である。
アンサンブル学習では,Hoeffding Treesはベースラーナーとして広く採用され,Hoeffding境界に従って周期的な分割試行を行う。
しかし、最近の研究では、この標準分割機構は適応性に欠けており、一方、性能劣化に反応して分裂を引き起こす適応木は優れた結果を得た。
本稿では,適応分割決定木をアンサンブルベース学習者として使用する際の限界を同定し,変化検出器がアンサンブル内で十分な多様性を発揮できない場合が多いことを示す。
この問題に対処するために,Hoeffding Adaptive Splitting Treesと呼ばれる2つの新しい決定木モデルを提案する。
これらのモデルは、アンサンブルの多様性を促進するHoeffding Treesの周期的な分割戦略と、変化検出アルゴリズムを用いた適応的な分割メカニズムを組み合わせて、パフォーマンスの劣化を特定し、分割点を決定する。
実験により,Hoeffding Adaptive Splitting Treesはアンサンブル性能を高め,ベンチマーク比較,計算コスト分析,概念のドリフト適応を含む総合的な評価を行い,その成果が得られた。
関連論文リスト
- Learning Order Forest for Qualitative-Attribute Data Clustering [52.612779710298526]
本稿では,属性内定性値間の局所的な順序関係を柔軟に表現する木のような距離構造を探索する。
より適切な木構造とクラスタを反復的に獲得するために,共同学習機構を提案する。
実験により、共同学習は森林をクラスタリングタスクに適応させ、正確な結果を得ることを示した。
論文 参考訳（メタデータ） (2026-03-03T07:49:50Z) - 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) - 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) - FoLDTree: A ULDA-Based Decision Tree Framework for Efficient Oblique Splits and Feature Selection [5.152896565053761]
LDATreeとFoldTreeは、Uncorrelated Linear Discriminant Analysis (ULDA)とForward ULDAを決定木構造に統合する。
LDATree と FoLDTree は軸直交およびその他の斜め決定木法より一貫して優れている。
論文 参考訳（メタデータ） (2024-10-30T16:03:51Z) - 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) - On the Pointwise Behavior of Recursive Partitioning and Its Implications
for Heterogeneous Causal Effect Estimation [8.394633341978007]
決定木学習は、ポイントワイズ推論にますます使われている。
適応決定木は、非消滅確率のノルムにおける収束の収束率を達成できないことを示す。
ランダムな森林は状況を改善することができ、貧弱な樹木をほぼ最適な手順に変えることができる。
論文 参考訳（メタデータ） (2022-11-19T21:28:30Z) - Optimal randomized classification trees [0.0]
分類と回帰木(英: Classification and Regression Trees、CART)は、現代の統計学と機械学習における既成の技術である。
CARTはgreedyプロシージャによって構築され、分割予測変数と関連するしきい値を逐次決定する。
この強欲なアプローチは、木を非常に高速に木に分類するが、その性質上、それらの分類精度は他の最先端の手順と競合しないかもしれない。
論文 参考訳（メタデータ） (2021-10-19T11:41:12Z) - Rectified Decision Trees: Exploring the Landscape of Interpretable and
Effective Machine Learning [66.01622034708319]
我々は,reDT(rerectified decision tree)と呼ばれる知識蒸留に基づく決定木拡張を提案する。
我々は,ソフトラベルを用いたトレーニングを可能にする標準決定木の分割基準と終了条件を拡張した。
次に,教師モデルから抽出したソフトラベルに基づいて,新しいジャックニフェ法を用いてReDTを訓練する。
論文 参考訳（メタデータ） (2020-08-21T10:45:25Z) - Multivariate Boosted Trees and Applications to Forecasting and Control [0.0]
勾配強化木は、特定の損失関数を最小限に抑えるために、逐次モデルフィッティングと勾配降下を利用する非パラメトリック回帰木である。
本稿では,多変量隆起木を適応する計算効率のよいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-03-08T19:26:59Z) - Adaptive Correlated Monte Carlo for Contextual Categorical Sequence
Generation [77.7420231319632]
我々は,モンテカルロ (MC) ロールアウトの集合を分散制御のために評価する政策勾配推定器に,カテゴリー列の文脈的生成を適用する。
また,二分木ソフトマックスモデルに相関したMCロールアウトを用いることで,大語彙シナリオにおける高生成コストを低減できることを示す。
論文 参考訳（メタデータ） (2019-12-31T03:01:55Z)
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。