InTreeger：面向整数唯一决策树推理的端到端框架
机器学习
2025-05-22 v1
摘要
整数量化已成为促进资源受限设备部署的关键技术。尽管整数量化可降低模型复杂度，但其推理性能常因量化引入的误差而受到影响。为此，我们引入 InTreeger：一个以训练数据集为输入，输出与体系结构无关的整数唯一 C 语言实现的基于树的机器学习模型的端到端框架，且无需精度损失。该框架使任何提供输入数据集和目标变量的用户，即可生成可在任何硬件上运行的高度优化的整数唯一分类模型。我们在三种不同体系结构（ARM、x86 和 RISC-V）上评估了生成的实现，推理延迟显著提升。此外，我们比较了基于整数唯一推理与依赖浮点运算的典型决策树实现之间的能源效率。结果凸显了整数唯一推理的优势，使其特别适用于受能源和面积限制的设备，如嵌入式系统和边缘计算平台，同时也可在现有的超低功耗设备上执行决策树。
引用
@article{arxiv.2505.15391,
title = {InTreeger: An End-to-End Framework for Integer-Only Decision Tree Inference},
author = {Duncan Bart and Bruno Endres Forlin and Ana-Lucia Varbanescu and Marco Ottavi and Kuan-Hsun Chen},
journal= {arXiv preprint arXiv:2505.15391},
year = {2025}
}