DTSemNet: Una Nuova Rappresentazione Neurale per Alberi Decisionali Obliqui Duri

I ricercatori hanno introdotto DTSemNet, una nuova rappresentazione di alberi decisionali obliqui duri come reti neurali che consente l'addestramento end-to-end con discesa del gradiente standard senza approssimazioni. Gli alberi decisionali sono ampiamente utilizzati in domini critici per la sicurezza come la diagnosi medica grazie alla loro interpretabilità, ma addestrare alberi obliqui accurati è difficile a causa di paesaggi di ottimizzazione complessi e rischi di overfitting. Gli approcci differenziabili esistenti si basano su approssimazioni come l'ammorbidimento probabilistico (soft DTs) o gradienti quantizzati come lo Straight-Through Estimator (STE). DTSemNet supera queste limitazioni fornendo una mappatura semanticamente equivalente e invertibile, eliminando la necessità di approssimazioni sia in compiti di classificazione che di regressione. Il lavoro è dettagliato nel preprint arXiv 2605.07837.