論文の概要: Falling Trees: A Model Class for Interpretable Risk Prioritization

• arxiv url: http://arxiv.org/abs/2609.23780v1
• Date: Sun, 20 Sep 2026 18:02:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.985689
• Title: Falling Trees: A Model Class for Interpretable Risk Prioritization
• Title（参考訳）: 転倒木: 解釈可能なリスク優先順位付けのためのモデルクラス
• Abstract要約: GRAVITreeは動的プログラミングとバウンドのアルゴリズムで,木を深く,枝分かれする制約を学習する。 以上の結果から,落葉樹は,高い環境下での解釈可能性,表現性,リスク優先順位付けの両立を現実的に行うことが示唆された。
• 参考スコア（独自算出の注目度）: 22.10663218311062
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many real-world decisions require prioritizing high-risk cases, such as clinicians prioritizing high-risk patients before lower-risk ones. Falling rule lists (FRLs), which are ordered if--then rules with monotonically decreasing risks, provide an interpretable framework for such tasks; however, their single-path structure yields a highly restricted model class. We introduce falling trees, a new family of interpretable models that enforces the same monotonic risk constraint while permitting tree-structured branching. We present GRAVITree, a novel dynamic-programming-with-bounds algorithm for learning the Rashomon set of falling trees under depth and branching constraints. Our formulation can interpolate between rule lists and full decision trees, enabling user-desired model expressivity. In a new clinical dataset and in many public classification benchmarks, falling trees match or outperform FRLs and other interpretable baselines, often producing more sparse decisions for high-risk instances. Our results show that falling trees strike a practical balance between interpretability, expressiveness, and risk prioritization for high-stakes settings.
• Abstract（参考訳）: 現実の意思決定の多くは、リスクの低い患者よりもリスクの低い患者を優先する臨床医など、リスクの高い患者を優先順位付けする必要がある。 フォールイング・ルール・リスト(FRL)は、単調にリスクを減少させるようなif-thenルールを順序付けし、そのようなタスクの解釈可能なフレームワークを提供するが、それらのシングルパス構造は、非常に制限されたモデルクラスをもたらす。 我々は,木構造分岐を許容しながら,同じモノトニックリスク制約を強制する新しい解釈可能なモデルである落ち木を紹介した。 GRAVITreeは動的プログラミングとバウンドのアルゴリズムで,木を深く,枝分かれする制約を学習する。 我々の定式化はルールリストと完全な決定木を補間することができ、ユーザが望むモデル表現を可能にします。 新しい臨床データセットと多くの公開分類ベンチマークでは、落ち木はFRLや他の解釈可能なベースラインと一致し、しばしばリスクの高いインスタンスに対してよりスパースな決定を下す。 以上の結果から,落葉樹は,高い環境下での解釈可能性,表現性,リスク優先順位付けの両立を現実的に行うことが示唆された。

関連論文リスト

• Behavioural Signatures of Risk-Sensitive Decision-Making in Large Language Models [121.70781851874035]
  大規模言語モデル(LLM)は、意思決定支援にますます使われている。 不確実性の下での選択が安定かつ解釈可能な行動規則性を示すかどうかを理解することが重要である。 本稿では,無制限テキサスホールドエムに基づく制御型マルチモデルフレームワークを用いて,この問題について検討する。
  論文  参考訳（メタデータ） (2026-07-11T10:33:39Z)
• Perturbing the Derivative: Wild Refitting for Model-Free Evaluation of Machine Learning Models under Bregman Losses [15.386375612838371]
  いわゆる「ワイルド・オプティミズム」によって、過大なリスクを効率的に上限にすることができることを示す。 従来の分析とは異なり、我々のフレームワークは1つのデータセットとトレーニング手順へのブラックボックスアクセスで動作します。 私たちの研究は、ディープニューラルネットワークや生成モデルなど、現代の不透明なMLモデルを理論的に評価することを約束しています。
  論文  参考訳（メタデータ） (2025-09-02T16:26:03Z)
• 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)
• Capsa: A Unified Framework for Quantifying Risk in Deep Neural Networks [142.67349734180445]
  ディープニューラルネットワークにリスク認識を提供する既存のアルゴリズムは複雑でアドホックである。 ここでは、リスク認識でモデルを拡張するためのフレームワークであるcapsaを紹介します。
  論文  参考訳（メタデータ） (2023-08-01T02:07:47Z)
• Finding Alignments Between Interpretable Causal Variables and Distributed Neural Representations [62.65877150123775]
  因果抽象化は、説明可能な人工知能のための有望な理論的枠組みである。 既存の因果抽象法では、高レベルモデルと低レベルモデルの間のアライメントをブルートフォースで探索する必要がある。 これらの制約を克服する分散アライメントサーチ(DAS)を提案する。
  論文  参考訳（メタデータ） (2023-03-05T00:57:49Z)
• Mitigating multiple descents: A model-agnostic framework for risk monotonization [84.6382406922369]
  クロスバリデーションに基づくリスクモノトナイズのための一般的なフレームワークを開発する。 本稿では,データ駆動方式であるゼロステップとワンステップの2つの手法を提案する。
  論文  参考訳（メタデータ） (2022-05-25T17:41:40Z)
• A cautionary tale on fitting decision trees to data from additive models: generalization lower bounds [9.546094657606178]
  本研究では,異なる回帰モデルに対する決定木の一般化性能について検討する。 これにより、アルゴリズムが新しいデータに一般化するために(あるいは作らない)仮定する帰納的バイアスが引き起こされる。 スパース加法モデルに適合する大規模な決定木アルゴリズムに対して、シャープな2乗誤差一般化を低い境界で証明する。
  論文  参考訳（メタデータ） (2021-10-18T21:22:40Z)
• Classification Trees for Imbalanced and Sparse Data: Surface-to-Volume Regularization [12.516439191372152]
  分類アルゴリズムは、1つ以上のクラスが訓練データに制限がある場合、困難に直面します。 そこで我々は,SVR-Treeアルゴリズムのクラスを新たに獲得し,SVR(Surface-to-Volume Ratio)をペナライズする手法を提案する。
  論文  参考訳（メタデータ） (2020-04-26T06:22:47Z)

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。