关于 Hoeffding 树不平衡回归问题
机器学习
2026-03-06 v2 人工智能
摘要
许多真实世界的应用会生成用于回归的连续数据流。Hoeffding 树及其变体长期以来因其有效性（单独使用或作为更广泛集团中的基模型）而备受青睐。近期的批量学习工作表明，核密度估计（KDE）可提高不平衡回归中平滑预测的质量 [Yang 等，2021]，而分层收缩（HS）为决策树提供后置正则化，而无需修改其结构 [Agarwal 等，2022]。我们将 KDE 扩展到流式设置 via a telescoping formulation，并将 HS 集成到增量决策树中。通过在标准在线回归基准数据集上的经验评估，我们发现 KDE 持续地提高了 early-stream performance，而 HS 提供的收益有限。我们的实现已公开于：https://github.com/marinaAlchirch/DSFA_2026。
关键词
引用
@article{arxiv.2602.22101,
title = {On Imbalanced Regression with Hoeffding Trees},
author = {Pantia-Marina Alchirch and Dimitrios I. Diochnos},
journal= {arXiv preprint arXiv:2602.22101},
year = {2026}
}
备注
15 pages, 5 figures, 3 tables, 2 algorithms, authors' version of paper accepted in PAKDD 2026 special session on Data Science: Foundations and Applications (DSFA)