通过合成模型生成实现可解释模型的可扩展元学习
机器学习
2025-11-07 v1 人工智能
计算与语言
机器学习
摘要
决策树因其可解释性，在金融和医疗等高风险领域得到广泛应用。本文引入一种高效可扩展的方法，通过生成合成的预训练数据来实现决策树的元学习。我们的 approach 通过合成抽样近最优决策树，创建大规模真实数据集。使用 MetaTree transformer 架构，我们展示该方法在性能上相当于在真实数据上预训练或使用计算昂贵的 optimal decision 树。该策略显著降低了计算成本，增强了数据生成的灵活性，为可扩展且高效的可解释决策树模型元学习铺平了道路。
引用
@article{arxiv.2511.04000,
title = {Towards Scalable Meta-Learning of near-optimal Interpretable Models via Synthetic Model Generations},
author = {Kyaw Hpone Myint and Zhe Wu and Alexandre G. R. Day and Giri Iyengar},
journal= {arXiv preprint arXiv:2511.04000},
year = {2025}
}
备注
9 pages, 3 figures, Neurips 2025 GenAI in Finance Workshop