論文の概要: Learned Look-Ahead Splitting Rule for CART

• arxiv url: http://arxiv.org/abs/2609.16440v1
• Date: Mon, 14 Sep 2026 23:31:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.262125
• Title: Learned Look-Ahead Splitting Rule for CART
• Title（参考訳）: CARTにおけるLeared Look-Ahead Splitting Rule
• Abstract要約: 本稿では,従来のCARTサブツリーを下位に成長させた後,予測誤差の低減により,各候補の分割を評価するルックアヘッドツリー構築手法を提案する。 完全なルックアヘッド処理は計算コストがかかるため,ノードレベルの特徴を用いて下流のスプリット値を学習するスマートルックアヘッドアルゴリズムについても述べる。
• 参考スコア（独自算出の注目度）: 12.266322981079293
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Classification and regression trees are typically constructed using a greedy splitting rule that maximizes the immediate reduction in prediction error at each node. Although this strategy is computationally efficient, it can miss splits that yield small short-term gains but create substantial downstream improvements after further partitioning. We propose a look-ahead tree-building method that evaluates each candidate split by the prediction error reduction achieved after growing a conventional CART subtree below that split. Because the full look-ahead procedure can be computationally expensive, we also describe a smart look-ahead algorithm that learns downstream split values using node-level features. The proposed framework preserves the interpretability of recursive partitioning while improving split selection in hierarchical or interaction-driven settings. We conduct a simulation study comparing conventional, full look-ahead, and smart look-ahead methods under several settings and apply the proposed methods to analyze two real data examples demonstrating the merit of the new methods.
• Abstract（参考訳）: 分類木と回帰木は通常、各ノードでの予測誤差の即時低減を最大化する欲求分割規則を用いて構築される。 この戦略は計算効率が良いが、小さな短期的な利益をもたらす分割を見逃すこともある。 本稿では,従来のCARTサブツリーを下位に成長させた後,予測誤差の低減により,各候補の分割を評価するルックアヘッドツリー構築手法を提案する。 完全なルックアヘッド処理は計算コストがかかるため,ノードレベルの特徴を用いて下流のスプリット値を学習するスマートルックアヘッドアルゴリズムについても述べる。 提案フレームワークは,再帰的パーティショニングの解釈可能性を維持しつつ,階層的あるいはインタラクション駆動的な設定における分割選択を改善する。 提案手法は, 従来手法, フルルックアヘッド法, スマートルックアヘッド法を比較したシミュレーション研究を行い, 提案手法を適用して, 提案手法の有効性を実証する2つの実データ例を解析する。

関連論文リスト

• Decomposition for Bayesian Networks: Local and Parallel Inference [9.547272742835615]
  高次元ベイズネットワークにおける確率的推論は、結合分布の正確な操作がネットワークサイズと指数関数的にスケールするため困難である。 本稿では、有向凸部分グラフに基づく分解フレームワークを提案し、最小のd-分解木を導入する。
  論文  参考訳（メタデータ） (2026-07-06T04:08:15Z)
• Efficient Test-Time Inference via Deterministic Exploration of Truncated Decoding Trees [68.04613115686509]
  自己整合性は、複数の推論トレースを並列にサンプリングし、投票することで、推論時間のパフォーマンスを向上させる。 そこで本研究では,切り落された標本を伐採木として扱う決定論的復号法であるDLE(Distinct Leafion)を提案する。 DLEは高品質な推論トレースを調査し、数学、コーディング、一般的な推論タスクのパフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2026-04-22T12:42:03Z)
• Hinge Regression Tree: A Newton Method for Oblique Regression Tree Splitting [18.562483381753804]
  2つの線形予測器上での非線形最小二乗問題として分割するHynge Regression Tree(HRT)を提案する。 このノードレベルの最適化を解析し、バックトラックライン探索の変種について、局所的な目的が単調に減少し収束することを証明する。 合成および実世界のベンチマークで、HRTはよりコンパクトな構造を持つ単木ベースラインにマッチするか、より優れることを示す。
  論文  参考訳（メタデータ） (2026-02-05T06:49:01Z)
• TreePO: Bridging the Gap of Policy Optimization and Efficacy and Inference Efficiency with Heuristic Tree-based Modeling [65.46347858249295]
  TreePOは自己誘導型ロールアウトアルゴリズムで、シーケンス生成を木構造検索プロセスとして見る。 TreePOは基本的に、探索の多様性を保存または強化しながら、更新毎の計算負担を削減します。
  論文  参考訳（メタデータ） (2025-08-24T16:52:37Z)
• Birch SGD: A Tree Graph Framework for Local and Asynchronous SGD Methods [51.54704494242525]
  本稿では,分散SGD手法を解析・設計するための新しい統一フレームワークであるBirch SGDを提案する。 本研究では,Birch SGDを用いて8つの新しい手法を設計し,これまでに知られていた手法とともに解析する。 i) すべてのメソッドが$Oleft(frac(R + 1) L Deltavarepsilon + fracsigma2 L Deltavarepsilon2right)$と同じ"イテレーションレート"を共有している。
  論文  参考訳（メタデータ） (2025-05-14T08:37:45Z)
• Conformal Prediction in Hierarchical Classification with Constrained Representation Complexity [27.572882142702884]
  分割共形予測フレームワークを階層分類に拡張し、予測セットは予め定義された階層の内部ノードに制限される。 第1のアルゴリズムは予測セットとして内部ノードを返すが、第2のアルゴリズムはこの制限を緩和する。 表現複雑性の概念を用いることで、後者はより一般的な推論問題を犠牲にしてより小さな集合のサイズが得られる。
  論文  参考訳（メタデータ） (2025-01-31T11:10:19Z)
• THOR: Threshold-Based Ranking Loss for Ordinal Regression [17.384197085002686]
  本稿では,インスタンスを順序カテゴリーに分類するための回帰に基づく順序回帰アルゴリズムを提案する。 回帰誤差を最小化することを目的とした新しいしきい値に基づくペアワイズ損失関数を追加し,平均絶対誤差(MAE)を最小化する。 5つの実世界のベンチマーク実験の結果、提案アルゴリズムは最先端の順序回帰アルゴリズムと比較して最良のMAE結果が得られることを示した。
  論文  参考訳（メタデータ） (2022-05-10T13:04:09Z)
• Fast Interpretable Greedy-Tree Sums [8.268938983372452]
  Fast Interpretable Greedy-Tree Sums (FIGS) は、CARTアルゴリズムを一般化し、要約において柔軟な数の木を成長させる。 G-FIGSは、ドメイン知識を反映し、感度や解釈性を犠牲にすることなく(CARTよりも20%も向上した)特異性を享受するCDIを導出する。 Bagging-FIGSは、現実世界のデータセット上でランダムなフォレストやXGBoostと競合するパフォーマンスを享受している。
  論文  参考訳（メタデータ） (2022-01-28T04:50:37Z)
• Deep Probabilistic Graph Matching [72.6690550634166]
  本稿では,マッチング制約を伴わずに,元のQAPに適合する深層学習ベースのグラフマッチングフレームワークを提案する。 提案手法は,一般的な3つのベンチマーク(Pascal VOC,Wilow Object,SPair-71k)で評価され,すべてのベンチマークにおいて過去の最先端よりも優れていた。
  論文  参考訳（メタデータ） (2022-01-05T13:37:27Z)
• COPS: Controlled Pruning Before Training Starts [68.8204255655161]
  最先端のディープニューラルネットワーク(DNN)プルーニング技術は、トレーニング開始前にワンショットで適用され、プルーニングスコアと呼ばれる単一の基準の助けを借りてスパースアーキテクチャを評価する。 この作業では、単一プルーニング基準に集中するのではなく、任意のGASを組み合わせてより強力なプルーニング戦略を構築するためのフレームワークを提供します。
  論文  参考訳（メタデータ） (2021-07-27T08:48:01Z)
• Graph Partitioning and Sparse Matrix Ordering using Reinforcement Learning [0.13999481573773068]
  本稿では,強化学習とグラフ畳み込みニューラルネットワークに基づくグラフ分割手法を提案する。 提案手法はMETISやスコッチと同様の仕切り品質を実現する。 この方法は、あるクラスのグラフから別のグラフに一般化し、 suitesparse sparse matrix collectionの様々なグラフでうまく機能する。
  論文  参考訳（メタデータ） (2021-04-08T06:54:24Z)
• Manifold Regularized Dynamic Network Pruning [102.24146031250034]
  本稿では,全インスタンスの多様体情報をプルーンドネットワークの空間に埋め込むことにより,冗長フィルタを動的に除去する新しいパラダイムを提案する。 提案手法の有効性をいくつかのベンチマークで検証し,精度と計算コストの両面で優れた性能を示す。
  論文  参考訳（メタデータ） (2021-03-10T03:59:03Z)

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。