論文の概要: Largest Rashomon sets of decision trees for robust contextual optimization

• arxiv url: http://arxiv.org/abs/2610.04385v1
• Date: Sat, 03 Oct 2026 09:03:49 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 21:14:24.017538
• Title: Largest Rashomon sets of decision trees for robust contextual optimization
• Title（参考訳）: 頑健な文脈最適化のための最大決定木の羅生門集合
• Abstract要約: 多くの決定木は同じデータにほぼ等しく適合するが、クエリポイントを異なるリーフにルーティングすることができる。 この予測多重性にもかかわらず、所定のコスト、不足またはリスク目標を満たす決定について検討する。 本稿では,最適決定木のためのラショウモンとロバストネスの併用フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Many decision trees fit the same data almost equally well, yet they can route a query point to different leaves and induce different local empirical distributions. We study decisions that meet prescribed cost, shortage or risk targets despite this predictive multiplicity. We propose the joint Rashomon and robustness optimization framework for optimal decision trees. It jointly selects an operational decision and the largest Rashomon set of trees, so that the targets hold under the local empirical distribution that every tree in this set induces at the query point. We specialize the framework to the regression setting, and we show that a tree affects the decision only through the training observations sharing the query leaf, which we call its query neighborhood. As a result, the robust problem involves only finitely many distinct constraints, which can be examined in order of increasing estimation loss. We develop a constraint generation algorithm that combines query-path pricing with dynamic programming to identify violating neighborhoods without enumerating trees. On synthetic newsvendor instances, the algorithm typically needs few neighborhoods and runs substantially faster than full neighborhood enumeration. On restaurant demand data, the robust orders increase the mean tolerated excess estimation loss by 17.6% and reduce the empirical conditional value-at-risk of the worst 10% of realized costs by 8.3% relative to the sample average approximation orders of the optimal tree, while the mean cost difference is not statistically significant. An interpretability analysis further shows how the retained neighborhoods explain the decision and its robustness limit.
• Abstract（参考訳）: 多くの決定木は同じデータにほぼ等しく適合するが、クエリポイントを異なる葉にルーティングし、異なる局所的な経験分布を誘導することができる。 この予測多重性にもかかわらず、所定のコスト、不足またはリスク目標を満たす決定について検討する。 本稿では,最適決定木のためのラショウモンとロバストネスの併用フレームワークを提案する。 操作上の決定と最大のラショウモンセットを共同で選択し、このセットのすべてのツリーがクエリポイントで誘導する、局所的な経験的分布の下でターゲットを保持する。 我々は,このフレームワークをレグレッション設定に特化し,クエリリーフを共有する学習観察を通してのみ,木が決定に影響を及ぼすことを示す。 その結果、ロバストな問題は有限個の異なる制約のみを伴い、これは推定損失の増加のために検討できる。 本研究では,クエリパスの価格設定と動的プログラミングを組み合わせた制約生成アルゴリズムを開発し,木を列挙せずに違反する近傍を識別する。 合成ニュースベンダのインスタンスでは、アルゴリズムは概して少数の地区を必要とし、全近所の列挙よりもかなり高速に実行される。 レストラン需要データでは、許容余剰推定損失の平均が17.6%増加し、最適木のサンプル平均近似順序と比較して、実現コストの最悪の10%の条件付きリスクが8.3%減少する一方、平均コスト差は統計的に有意ではない。 解釈可能性分析は、その決定とその堅牢性限界について、保持地区がどのように説明するかをさらに示している。

関連論文リスト

• Instance-Optimal Estimation with Multiple LLM Judges on a Budget [84.31744861038106]
  我々は、この問題を*予算付きヘテロスケダティックなマルチジャッジ推定*として定式化する。 K$のプロンプト-レスポンスペア、J$の既知のコストと未知のクエリ-ジャッジ分散が与えられた場合、目標は、$ell_p$-errorを最小化しながら、有界スコアベクトルを推定することである。 EST-IVWEは,予算の低次項までのオラクルIVWEレートと一致していることを示す。
  論文  参考訳（メタデータ） (2026-05-22T08:26:08Z)
• Decision-Path Patterns as Tree Reliability Signals: Path-based Adaptive Weighting for Random Forest Classification [0.9607593117607193]
  ランダムフォレストは、特徴空間の異なるランダム化された表現で各木を構築する。 彼らの一様投票は、誤った表現を持つ木が正しいものより多い地域では誤りを訂正できない。 本稿では,各木の決定経路の構造パターンをサンプルごとの信頼性信号として用いることを提案する。
  論文  参考訳（メタデータ） (2026-05-20T05:15:09Z)
• Optimal Counterfactual Search in Tree Ensembles: A Study Across Modeling and Solution Paradigms [6.9087441566570105]
  本研究では,木組の最適対実的説明を,可否制約と行動可能性制約の下で計算する問題について検討する。 これは問題である: 固定モデルの場合、反事実探索は、一貫した分岐決定と、距離目標の下でしきい値定義された領域を選択することに沸騰する。 我々は、この構造をCPCF(制約プログラミング)の定式化によって利用し、数値的特徴を分割しきい値によって誘導される区間領域として符号化する。
  論文  参考訳（メタデータ） (2026-05-07T16:54:38Z)
• 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)
• Multi-Armed Bandits-Based Optimization of Decision Trees [0.0]
  本稿では,マルチアーマッドバンド (MAB) に基づくプルーニング手法,強化学習 (RL) に基づく手法を提案する。 そこで我々はMABアルゴリズムを用いて各プルーニング動作からのフィードバックに基づいて最適な分岐ノードを見つける。
  論文  参考訳（メタデータ） (2025-08-08T02:43:45Z)
• Adaptive Split Balancing for Optimal Random Forest [8.916614661563893]
  そこで本研究では,新しい適応型分割バランス法を用いて木を構築するランダムフォレストアルゴリズムを提案する。 本手法は,データから木構造を適応的に学習しながら,シンプルでスムーズなシナリオで最適性を実現する。
  論文  参考訳（メタデータ） (2024-02-17T09:10:40Z)
• 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)
• Navigating to the Best Policy in Markov Decision Processes [68.8204255655161]
  マルコフ決定過程における純粋探索問題について検討する。 エージェントはアクションを逐次選択し、結果のシステム軌道から可能な限り早くベストを目標とする。
  論文  参考訳（メタデータ） (2021-06-05T09:16:28Z)
• Convex Polytope Trees [57.56078843831244]
  コンベックスポリトープ木(CPT)は、決定境界の解釈可能な一般化によって決定木の系統を拡張するために提案される。 木構造が与えられたとき,木パラメータに対するCPTおよび拡張性のあるエンドツーエンドトレーニングアルゴリズムを効率的に構築する。
  論文  参考訳（メタデータ） (2020-10-21T19:38:57Z)
• Stochastic Optimization Forests [60.523606291705214]
  標準的なランダムな森林アルゴリズムのように予測精度を向上させるために分割するのではなく、分割を選択した木を栽培し、下流の意思決定品質を直接最適化することで、森林決定政策の訓練方法を示す。 概略分割基準は、各候補分割に対して正確に最適化された森林アルゴリズムに近い性能を保ちながら、100倍のランニング時間を短縮できることを示す。
  論文  参考訳（メタデータ） (2020-08-17T16:56:06Z)
• Generalized and Scalable Optimal Sparse Decision Trees [56.35541305670828]
  様々な目的に対して最適な決定木を生成する手法を提案する。 また,連続変数が存在する場合に最適な結果が得られるスケーラブルなアルゴリズムも導入する。
  論文  参考訳（メタデータ） (2020-06-15T19:00:11Z)

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。