На пути к масштабируемому мета-обучению почти оптимальных интерпретируемых моделей с помощью синтетических моделей
arXiv: 2511.04000v2 Вид уведомления: заменить перекрестное резюме: деревья принятия решений широко используются в таких областях, как финансы и здравоохранение из-за их интерпретируемости. В рамках этой работы применяется эффективный, расширяемый метод получения синтетических данных до подготовки кадров в целях обеспечения возможности метаобучения деревьев для принятия решений. Наши образцы почти оптимальных деревьев для принятия решений синтетически, создавая крупномасштабные и реалистичные наборы данных. Используя трансформаторную архитектуру Метатри, мы показываем, что этот метод обеспечивает эффективность, сопоставимую с предварительной подготовкой данных реального мира или с расчетно дорогостоящими оптимальными деревьями для принятия решений. Эта стратегия позволяет значительно сократить расходы на вычислительные работы, повысить гибкость процесса сбора данных и проложить путь для масштабного и эффективного метаобучения интерпретируемых моделей деревьев принятия решений.
