論文の概要: DICS: Data-Informed Centroid Splitting for Decision Tree Classifiers

• arxiv url: http://arxiv.org/abs/2608.20258v1
• Date: Thu, 20 Aug 2026 16:54:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.655306
• Title: DICS: Data-Informed Centroid Splitting for Decision Tree Classifiers
• Title（参考訳）: DICS:決定木分類のためのデータインフォームド・セントロイド分割
• Abstract要約: Data-Informed Centroid Splitting (DICS) はクラスタリングベースのフレームワークで、データ駆動型プリミティブを使用して、コンパクトで情報に富んだ候補分割セットを構築する。 DICSは、予測性能を維持しながら分類タスクの分割検索スペースを著しく削減する。 大規模な実験では、DICSは同等の精度を達成し、合成データセットとベンチマークデータセット間のトレーニング時間を著しく短縮する。
• 参考スコア（独自算出の注目度）: 1.6874664674533388
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Decision tree-based models are widely used in machine learning due to their interpretability and strong empirical performance. However, training decision trees can be computationally expensive, particularly for large and high-dimensional datasets, largely due to the exhaustive search over candidate splits at each node. To improve computational efficiency, we propose Data-Informed Centroid Splitting (DICS), a clustering-based framework that constructs a compact and informative set of candidate splits using data-driven priors. By incorporating class-aware structure, DICS significantly reduces the split search space for classification tasks while preserving predictive performance. We further provide theoretical analysis showing that under the stated assumptions, DICS does not degrade the performance of classification trees compared to exhaustive split search. DICS can be incorporated into classification trees, random forests, and gradient-boosting models. Extensive experiments demonstrate that DICS achieves comparable accuracy while substantially reducing training time across synthetic and benchmark datasets, highlighting the benefit of integrating data-informed priors into split selection for scalable classification tree learning.
• Abstract（参考訳）: 決定木に基づくモデルは、解釈可能性と強い経験的性能のために機械学習で広く利用されている。 しかし、トレーニング決定木は、特に大規模で高次元のデータセットの場合、主に各ノードにおける候補分割に対する徹底的な探索のため、計算的にコストがかかる可能性がある。 計算効率を向上させるために,データ駆動プリミティブを用いた,コンパクトで情報に富む分割候補の集合を構成するクラスタリングベースのフレームワークであるData-Informed Centroid Splitting (DICS)を提案する。 クラス認識構造を取り入れることで、DICSは予測性能を維持しながら分類タスクの分割検索スペースを著しく削減する。 さらに, 提案した仮定の下では, DICSは網羅的な分割探索に比べて分類木の性能が低下しないことを示す理論的解析を行った。 DICSは分類木、無作為林、勾配ブースティングモデルに組み込むことができる。 大規模な実験により、DICSは、合成データセットとベンチマークデータセット間のトレーニング時間を著しく削減し、データインフォームドプリエントをスケーラブルな分類木学習のための分割選択に統合するメリットを強調しながら、同等の精度を実現している。

関連論文リスト

• C$^{2}$TC: A Training-Free Framework for Efficient Tabular Data Condensation [21.31236933570938]
  C$2$TC(Class-Adaptive Clustering for Tabular Condensation)は、データセットの縮合のためのトレーニング不要のフレームワークである。 C$2$TCは、最先端のベースラインよりも少なくとも2桁の効率を改善する。 10の実世界のデータセットの実験では、C$2$TCは最先端のベースラインよりも少なくとも2桁の効率を改善する。
  論文  参考訳（メタデータ） (2026-02-25T09:25:24Z)
• 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)
• FUTURE: Flexible Unlearning for Tree Ensemble [23.336396189756574]
  木アンサンブルは、様々な領域で最先端のパフォーマンスを達成し、分類タスクにおける有効性で広く認識されている。 データプライバシと忘れるべきテキストライトに重点を置いているため、ツリーアンサンブルが機密情報を忘れるように、いくつかの未学習アルゴリズムが提案されている。 木アンサンブルのための新しいアンラーニングアルゴリズムであるFUTUREを提案する。
  論文  参考訳（メタデータ） (2025-08-28T19:45:36Z)
• Adaptive and Robust DBSCAN with Multi-agent Reinforcement Learning [53.527506374566485]
  本稿では,多エージェント強化学習クラスタフレームワーク,すなわちAR-DBSCANを用いた新しいAdaptive and Robust DBSCANを提案する。 我々は、AR-DBSCANが、NMIおよびARIメトリクスの最大144.1%と175.3%のクラスタリング精度を向上するだけでなく、支配的なパラメータを確実に見つけることができることを示した。
  論文  参考訳（メタデータ） (2025-05-07T11:37:23Z)
• RO-FIGS: Efficient and Expressive Tree-Based Ensembles for Tabular Data [10.610270769561811]
  ツリーベースモデルは非形式的特徴に対して堅牢であり、非滑らかで複雑な決定境界を正確に捉えることができる。 我々はRandom oblique Fast Interpretable Greedy-Tree Sums (RO-FIGS)を提案する。 RO-FIGSはFast Interpretable Greedy-Tree Sumsの上に構築され、斜めまたは多変量分割で木を学習することで拡張する。 RO-FIGSを22の実世界のデータセット上で評価し、他の木とニューラルネットワークに基づく手法よりも優れた性能とはるかに小さなモデルを示す。
  論文  参考訳（メタデータ） (2025-04-09T14:35:24Z)
• 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)
• Efficient Multi-Agent System Training with Data Influence-Oriented Tree Search [59.75749613951193]
  木探索とデータ選択の両方をガイドするデータインフルエンス指向木探索(DITS)を提案する。 インフルエンススコアを活用することで、システム改善のための最も影響力のあるデータを効果的に特定する。 非微分不可能な指標に適した影響スコア推定法を導出する。
  論文  参考訳（メタデータ） (2025-02-02T23:20:16Z)
• A Closer Look at Deep Learning Methods on Tabular Datasets [78.61845513154502]
  広い範囲にまたがる300以上のデータセットの集合であるTALENTについて広範な研究を行った。 我々の評価では、アンサンブルは木に基づくアプローチとニューラルアプローチの両方に効果があることが示されている。
  論文  参考訳（メタデータ） (2024-07-01T04:24:07Z)
• A Weighted K-Center Algorithm for Data Subset Selection [70.49696246526199]
  サブセット選択は、トレーニングデータの小さな部分を特定する上で重要な役割を果たす、基本的な問題である。 我々は,k中心および不確かさサンプリング目的関数の重み付け和に基づいて,サブセットを計算する新しい係数3近似アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-12-17T04:41:07Z)
• Composable Core-sets for Diversity Approximation on Multi-Dataset Streams [4.765131728094872]
  構成可能なコアセットはコアセットであり、コアセットのサブセットを結合して元のデータに対する近似を得るという性質を持つ。 本研究では,構成可能なコアセットを構築するためのコアセット構築アルゴリズムを導入し,アクティブな学習環境におけるストリームデータを要約する。
  論文  参考訳（メタデータ） (2023-08-10T23:24:51Z)
• Optimal Decision Diagrams for Classification [68.72078059880018]
  数学的プログラミングの観点から最適決定図の学習について検討する。 本稿では,新しい混合整数線形プログラミングモデルを提案する。 このモデルは、公正性、同義性、安定性の概念に対してどのように容易に拡張できるかを示す。
  論文  参考訳（メタデータ） (2022-05-28T18:31:23Z)

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。