Inferenza Sempre Valida per Alberi Decisionali Online
Un recente articolo su arXiv (2605.31239) presenta una tecnica volta a migliorare la selezione delle suddivisioni negli alberi decisionali online, in particolare gli Alberi di Hoeffding utilizzati nelle Foreste Casuali Adattive. I metodi esistenti si basano su limiti di concentrazione per campioni fissi; tuttavia, i criteri di arresto basati sui dati possono minare le garanzie statistiche, aumentando potenzialmente la probabilità di false suddivisioni fino a uno. Il nuovo approccio impiega l'inferenza sempre valida per gestire le false suddivisioni in vari flussi di dati, inclusi quelli non stazionari, garantendo al contempo un tempo di impegno limitato quando esiste un vantaggio predittivo.
Fatti principali
- Gli insiemi basati su bagging come le Foreste Casuali Adattive utilizzano Alberi di Hoeffding come apprendisti di base.
- Gli Alberi di Hoeffding crescono incrementalmente testando le suddivisioni candidate utilizzando disuguaglianze di concentrazione.
- Le varianti esistenti mancano di garanzie statistiche valide a causa di regole di arresto dipendenti dai dati.
- Le analisi attuali si basano su limiti di concentrazione per campioni fissi, che vengono invalidati dall'arresto adattivo.
- Il nuovo metodo fornisce un controllo sempre valido delle false suddivisioni sotto flussi di dati arbitrari.
- Il metodo funziona in ambienti non stazionari.
- Garantisce un tempo di impegno finito in presenza di un vantaggio predittivo.
- L'articolo è disponibile su arXiv con ID 2605.31239.
Entità
Istituzioni
- arXiv