論文の概要: Beyond Point Prediction: Artificial Representative Trees with Uncertainty

• arxiv url: http://arxiv.org/abs/2609.24528v1
• Date: Mon, 21 Sep 2026 13:01:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:01.291822
• Title: Beyond Point Prediction: Artificial Representative Trees with Uncertainty
• Title（参考訳）: 点予測を超えて:不確実性のある人工代表木
• Abstract要約: ランダム林(RF)はよく予測されるが不透明である一方、単一決定木は解釈可能であるが不安定である。 人工樹(ART)とモンドリアン共形予測システム(CPS)を組み合わせる。 CPSは、単一の木が連続的な予測、予測間隔、任意のしきい値を超える確率を提供することを可能にする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Random forests (RFs) predict well but are opaque, whereas single decision trees are interpretable but unstable. Artificial representative trees (ARTs) were developed as interpretable surrogate models for RFs, but their use as standalone prediction models with uncertainty quantification has not been systematically investigated. We combine ARTs with leaf-wise Mondrian conformal predictive systems (CPS), enabling a single tree to provide continuous predictions, prediction intervals, and probabilities of exceeding arbitrary thresholds. We compared ARTs with CPS against decision trees with CPS and separate regression and probability trees across five simulation scenarios, 21 benchmark datasets, and a cross-sectional NHANES example data set. Repeated cross-validation assessed predictive performance, interpretability, and stability. ARTs with CPS yield compact, structurally stable trees with substantially more reproducible split-variable selection than decision trees across benchmark datasets and NHANES. Decision trees showed slightly better predictive performance and narrower prediction intervals, while coverage was broadly comparable. CPS-based trees generally achieved lower and less variable Brier scores than multi-model approaches. Combining ARTs with CPS therefore provides a single, interpretable, and stable model for continuous predictions and calibrated probabilities, balancing predictive performance with reproducibility and transparency in settings where stability and interpretability are essential.
• Abstract（参考訳）: ランダム林(RF)はよく予測されるが不透明である一方、単一決定木は解釈可能であるが不安定である。 人工代表木(ART)はRFの解釈可能な代理モデルとして開発されたが、不確実な定量化を伴う独立予測モデルとしての使用は体系的に研究されていない。 ARTを葉系モンドリアン共形予測システム(CPS)と組み合わせ、単一の木が連続的な予測、予測間隔、任意のしきい値を超える確率を提供する。 我々はARTとCPSを比較し、CPSとCPSを比較し、5つのシミュレーションシナリオ、21のベンチマークデータセット、横断的なNHANESサンプルデータセットを比較した。 繰り返しクロスバリデーションは予測性能、解釈可能性、安定性を評価した。 CPS を持つARTは、ベンチマークデータセットや NHANES にまたがる決定木よりも、再現性の高い分割変数選択が可能な、コンパクトで構造的に安定な木を生成する。 決定木では予測性能がわずかに向上し,予測間隔も狭かった。 CPSをベースとした木は、一般的にマルチモデルアプローチよりも低変動のブライアスコアを達成した。 したがって、ARTとCPSを組み合わせることで、継続的な予測とキャリブレーションされた確率の単一の、解釈可能で安定したモデルが提供され、安定性と解釈可能性が不可欠な設定において、再現性と透明性による予測性能のバランスがとれる。

関連論文リスト

• Handling Missing Data in Probabilistic Regression Trees [0.0]
  本稿ではPRTreeフレームワークを拡張し,木構築時の予測値の不足に対処する。 利用可能な情報をそれぞれ異なる方法で活用する3つの戦略が提案されている。 確率的木構築の有効性は、観測不足の処理に強く依存する。
  論文  参考訳（メタデータ） (2026-08-06T15:54:12Z)
• Partition Trees: Conditional Density Estimation over General Outcome Spaces [46.1988967916659]
  一般結果空間上での条件密度推定のための木に基づくフレームワークである分割木を提案する。 本手法は,データ適応分割における条件分布を一括一貫した密度としてモデル化し,条件付き負の対数関係を直接最小化して木を学習する。
  論文  参考訳（メタデータ） (2026-02-03T22:12:30Z)
• Bridging the Gap Between Bayesian Deep Learning and Ensemble Weather Forecasts [100.26854618129039]
  天気予報は、大気のカオス的な性質によって根本的に挑戦されている。 ベイジアンディープラーニング(BDL)の最近の進歩は、有望だがしばしば非接続な代替手段を提供する。 気象予報のための統合型BDLフレームワークにより,これらのパラダイムを橋渡しする。
  論文  参考訳（メタデータ） (2025-11-18T07:49:52Z)
• Building Trees for Probabilistic Prediction via Scoring Rules [0.0]
  非パラメトリックな予測分布を生成するために木を修正することを研究する。 木を構築するための標準的な手法は、良い予測分布にはならないかもしれない。 我々は,適切なスコアリングルールに基づいて,木の分割基準を1つに変更することを提案する。
  論文  参考訳（メタデータ） (2024-02-16T20:04:13Z)
• 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 Uncertainty Estimation by Tree-based Surrogate Models in Sequential Model-based Optimization [13.52611859628841]
  予測不確実性推定の観点から,ランダム化木の様々なアンサンブルを再検討し,その挙動について検討する。 BwO林と呼ばれる無作為な樹木のアンサンブルを構築するための新しい手法を提案する。 実験により,既存の樹木モデルに対するBwO林の有効性と性能について様々な状況で検証した。
  論文  参考訳（メタデータ） (2022-02-22T04:50:37Z)
• Treeging [0.0]
  木組みは回帰木の柔軟な平均構造と、アンサンブル予測アルゴリズムのベース学習者へのクリグの共分散に基づく予測戦略を組み合わせる。 本研究では,空間及び時空シミュレーションシナリオの網羅的かつ広範囲な電池を横断するツリーングの予測精度について検討した。
  論文  参考訳（メタデータ） (2021-10-03T17:48:18Z)
• Probabilistic Gradient Boosting Machines for Large-Scale Probabilistic Regression [51.770998056563094]
  PGBM(Probabilistic Gradient Boosting Machines)は、確率的予測を生成する手法である。 既存の最先端手法と比較してPGBMの利点を実証的に示す。
  論文  参考訳（メタデータ） (2021-06-03T08:32:13Z)
• Evaluating probabilistic classifiers: Reliability diagrams and score decompositions revisited [68.8204255655161]
  確率的に統計的に一貫性があり、最適に結合し、再現可能な信頼性図を自動生成するCORP手法を導入する。 コーパスは非パラメトリックアイソトニック回帰に基づいており、プール・アジャセント・ヴァイオレータ(PAV)アルゴリズムによって実装されている。
  論文  参考訳（メタデータ） (2020-08-07T08:22:26Z)

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。