arXiv cs.AI· Kyaw Hpone Myint, Zhe Wu, Alexandre G. R. Day, Giri Iyengar·· 9 天前AI 评分22
通过合成模型生成实现近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
AI 导读
研究提出一种可扩展方法，通过合成采样近最优决策树生成大规模预训练数据，以支持决策树的元学习。基于 MetaTree transformer 架构，该方法性能与使用真实数据或计算昂贵的近最优决策树预训练相当，同时显著降低计算成本并提升数据生成灵活性。
正文 · AI 翻译
摘要：决策树因其可解释性而被广泛应用于金融和医疗等高风险领域。本工作提出了一种高效、可扩展的方法，用于生成合成预训练数据，以实现决策树的元学习。我们的方法通过合成方式采样近最优决策树，从而创建大规模、真实的数据集。使用 MetaTree transformer 架构，我们证明该方法达到了与在真实世界数据上预训练或使用计算成本高昂的最优决策树相当的性能。该策略显著降低了计算成本，增强了数据生成的灵活性，并为可解释决策树模型的可扩展且高效的元学习铺平了道路。
| 评论： | 9 页，3 幅图，Neurips 2025 GenAI in Finance Workshop |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；计算与语言（cs.CL）；机器学习（stat.ML） |
| 引用为： | arXiv:2511.04000 [cs.LG] |
| （或 arXiv:2511.04000v2 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2511.04000 arXiv 颁发的 DOI，通过 DataCite |
提交历史
来自：Kyaw Hpone Myint [查看电子邮件]
[v1]
2025 年 11 月 6 日星期四 02:50:23 UTC（668 KB）
[v2]
2026 年 10 月 7 日星期三 21:18:10 UTC（668 KB）
来源：arXiv cs.AI · arxiv.org