Adaptive differentiable trees for transparent learning on data streams

Kirsten Köbschall

doi:10.1007/s10994-025-06906-x

2025-10-19

Kirsten Köbschall *

Lisa Hartung

Stefan Krämer

DOI：10.1007/s10994-025-06906-x

原文链接

原文求助

摘要

En 中文

在动态环境中维护学习模型需要透明度以建立信任和合规性，特别是在欧盟的《人工智能（AI）法案》等监管框架下。数据流模型必须平衡适应性与可解释性，并且为了使AI模型在不断发展的情况下保持有效，维持透明度至关重要。为解决此问题，我们引入了Soft Hoeffding Trees（SoHoT），这是一种适用于数据流的透明、可微分的决策树。SoHoTs采用一种新颖的寻路函数，利用Hoeffding不等式进行树扩展，同时通过梯度下降更新树权重以适应漂移的数据分布。通过基于决策规则的特性重要性和稀疏激活函数进一步增强了透明度，从而能够针对最终预测选择性地考虑子树。我们还提供了模型决策过程的可视化，以增强用户的可解释性。在20个数据流上进行评估，SoHoT优于Hoeffding树，在AUROC指标下与Hoeffding自适应树和Soft Trees竞争。我们还通过分析权衡关系并按复杂度衡量预测性能，展示了如何平衡透明度与性能，这凸显了SoHoT相较于现有数据流算法的优势。

Keyword:

Data streams

Hoeffding bound

Concept drift

Soft decision tree