.png){kind=icon}
返回
Tree comprehensive diversity-based pruned deep forest
.png){kind=icon}
PRE
AI
DOI：10.1007/s13042-025-02655-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度森林（DF）被提出作为一种基于非可微分模块的深度学习模型，它通过引入非神经网络结构扩展了深度学习范式，并在多个领域展现了卓越的性能。DF利用级联结构，其中每一层包含一个或多个随机森林集合。然而，这些森林中的一些可能包含冗余度高且性能欠佳的决策树。此外，DF中的特征表示由预测类概率向量组成，这些基于预测的表示需要保留大量关于森林模型的信息以供后续测试。DF的这两个特性使其容易出现时间、内存和存储成本高的问题，甚至可能导致性能下降。为应对这些挑战，我们设计了一种新颖的剪枝策略，旨在优化级联层中的随机森林，并提出了一种新的深度森林模型，称为基于树综合多样性的剪枝深度森林（TCDPDF）。与大多数依赖模型预测结果来衡量多样性的方法不同，我们探索了一种基于决策树形态结构的多样性度量。此外，我们通过平衡决策树的结构多样性和预测准确率，为剪枝策略提出了一种树综合多样性度量。我们在12个公开数据集上进行了实验，结果表明TCDPDF实现了有竞争力的性能，显著降低了模型的高计算复杂度，并进一步增强了其泛化能力。
Keyword:
Ensemble pruning
Diversity measure
Deep forest
Morphological structure
期刊
IF:
2.7
论文数:
3.2K
被引数:
5.6K
机构
引用论文
Ensemble pruning via individual contribution ordering.png)
Proceedings of the 16th ACM SIGKDD international conference on Knowledge discovery and data mining
Proceedings of the 16th ACM SIGKDD international conference on Knowledge discovery and data miningIF0
PREAI
分享收藏The Cascade Improved Model Based Deep Forest for Small-scale Datasets Classification基于深度森林的级联改进模型用于小规模数据集分类
PREAI
分享收藏分享收藏XGBoostProceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
OAAI
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
OAAI分享收藏
查看更多内容