关于基于森林的增强类学习

决策树和森林在各种实际应用中取得了成功，大多数工作在训练数据中已知所有测试类别。在本工作中，我们关注基于森林的增强类学习，其中增强类可能出现在测试数据中，但不出现在训练数据中。我们将增强类的信息融入树的分裂中，即引入增强基尼不纯度这一新的分裂准则，以利用来自测试分布的一些无标签数据。随后，我们开发了基于森林的增强类学习方法（简称 LACForest），该方法根据增强基尼不纯度构建浅层森林，然后利用伪标签增强实例分裂森林以获得更好的性能。我们还基于我们的增强基尼不纯度，通过优化目标开发了深度神经森林，这本质上利用了神经网络对森林的表示能力。在理论上，我们给出了增强基尼不纯度的收敛性分析，最后进行了实验以评估我们的方法。代码可在 https://github.com/nju-xuf/LACForest 获取。