通过合成模型生成实现近乎最优可解释模型的可扩展元学习
Towards Scalable Meta-Learning of near-optimal Interpretable Models via Synthetic Model Generations
精选理由
提出合成近优决策树数据的元学习方法，降低训练成本并提升可解释模型的扩展性
AI 摘要
arXiv:2511.04000v2 公告类型：替换 摘要：由于具有可解释性，决策树广泛应用于金融和医疗保健等高风险领域。本文提出了一种高效且可扩展的方法，用于生成合成预训练数据，从而实现决策树的元学习。我们的方法以合成方式采样近乎最优的决策树，创建大规模且逼真的数据集。借助 MetaTree Transformer 架构，我们证明了该方法能够达到与使用真实世界数据进行预训练或使用计算成本高昂的最优决策树进行预训练相当的性能。该策略显著降低了计算成本，提高了数据生成的灵活性，并为可扩展、高效地对可解释决策树模型进行元学习铺平了道路。