多项随机森林：迈向一致性与隐私保护
机器学习
2020-06-09 v3 机器学习
摘要
尽管随机森林(RF)性能令人印象深刻，其理论性质尚未被彻底理解。在本文中，我们提出一种新颖的RF框架，称为多项随机森林(MRF)，以分析一致性和隐私保护。MRF采用两个基于不纯度的多项分布分别随机选择分裂特征和分裂值，而非确定性的贪婪分裂规则或仅含简单随机性。理论上，我们证明了所提MRF的一致性，并在差分隐私框架下分析其隐私保护。我们还用多个数据集证明其与标准RF性能相当。据我们所知，MRF是首个具有与标准RF相当性能的一致RF变体。
引用
@article{arxiv.1903.04003,
title = {Multinomial Random Forest: Toward Consistency and Privacy-Preservation},
author = {Yiming Li and Jiawang Bai and Jiawei Li and Xue Yang and Yong Jiang and Chun Li and Shutao Xia},
journal= {arXiv preprint arXiv:1903.04003},
year = {2020}
}
备注
19 pages