Buchumschlag

Why do Random Forests Work? Understanding Tree Ensembles as Self-Regularizing Adaptive Smoothers

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Curth, Alicia, Jeffares, Alan, van der Schaar, Mihaela
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Deep Learning Through A Telescoping Lens: A Simple Model Provides Empirical Insights On Grokking, Gradient Boosting & Beyond
von: Jeffares, Alan, et al.
Veröffentlicht: (2024)

Not All Explanations for Deep Learning Phenomena Are Equally Valuable
von: Jeffares, Alan, et al.
Veröffentlicht: (2025)

Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise
von: Pouplin, Thomas, et al.
Veröffentlicht: (2024)

Defining Expertise: Applications to Treatment Effect Estimation
von: Hüyük, Alihan, et al.
Veröffentlicht: (2024)

Why Tabular Foundation Models Should Be a Research Priority
von: van Breugel, Boris, et al.
Veröffentlicht: (2024)

A Neural Framework for Generalized Causal Sensitivity Analysis
von: Frauen, Dennis, et al.
Veröffentlicht: (2023)

Matchmaker: Self-Improving Large Language Model Programs for Schema Matching
von: Seedat, Nabeel, et al.
Veröffentlicht: (2024)

Classical Statistical (In-Sample) Intuitions Don't Generalize Well: A Note on Bias-Variance Tradeoffs, Overfitting and Moving from Fixed to Random Designs
von: Curth, Alicia
Veröffentlicht: (2024)

Adaptive Experiment Design with Synthetic Controls
von: Hüyük, Alihan, et al.
Veröffentlicht: (2024)

Shape Arithmetic Expressions: Advancing Scientific Discovery Beyond Closed-Form Equations
von: Kacprzyk, Krzysztof, et al.
Veröffentlicht: (2024)

Towards Automated Knowledge Integration From Human-Interpretable Representations
von: Kobalczyk, Katarzyna, et al.
Veröffentlicht: (2024)

Deep Hierarchical Learning with Nested Subspace Networks for Large Language Models
von: Rauba, Paulius, et al.
Veröffentlicht: (2025)

No Equations Needed: Learning System Dynamics Without Relying on Closed-Form ODEs
von: Kacprzyk, Krzysztof, et al.
Veröffentlicht: (2025)

Decision Tree Induction Through LLMs via Semantically-Aware Evolution
von: Liu, Tennison, et al.
Veröffentlicht: (2025)

Inverse-RLignment: Large Language Model Alignment from Demonstrations through Inverse Reinforcement Learning
von: Sun, Hao, et al.
Veröffentlicht: (2024)

Preference Learning for AI Alignment: a Causal Perspective
von: Kobalczyk, Katarzyna, et al.
Veröffentlicht: (2025)

Active Timepoint Selection for Learning Measure-Valued Trajectories
von: Huynh, Nicolas, et al.
Veröffentlicht: (2026)

Hyperparameter Trajectory Inference with Conditional Lagrangian Optimal Transport
von: Amad, Harry, et al.
Veröffentlicht: (2026)

Automated Ensemble Multimodal Machine Learning for Healthcare
von: Imrie, Fergus, et al.
Veröffentlicht: (2024)

Discovery of Hidden Miscalibration Regimes
von: Kobalczyk, Katarzyna, et al.
Veröffentlicht: (2026)

Language Bottleneck Models for Qualitative Knowledge State Modeling
von: Berthon, Antonin, et al.
Veröffentlicht: (2025)

On Error Propagation of Diffusion Models
von: Li, Yangming, et al.
Veröffentlicht: (2023)

Inverse Reinforcement Learning Meets Large Language Model Post-Training: Basics, Advances, and Opportunities
von: Sun, Hao, et al.
Veröffentlicht: (2025)

A Study of Posterior Stability for Time-Series Latent Diffusion
von: Li, Yangming, et al.
Veröffentlicht: (2024)

Automatically Learning Hybrid Digital Twins of Dynamical Systems
von: Holt, Samuel, et al.
Veröffentlicht: (2024)

Dissecting Sample Hardness: A Fine-Grained Analysis of Hardness Characterization Methods for Data-Centric AI
von: Seedat, Nabeel, et al.
Veröffentlicht: (2024)

Quantifying Aleatoric Uncertainty of the Treatment Effect: A Novel Orthogonal Learner
von: Melnychuk, Valentyn, et al.
Veröffentlicht: (2024)

Tiny Autoregressive Recursive Models
von: Rauba, Paulius, et al.
Veröffentlicht: (2026)

What's the next frontier for Data-centric AI? Data Savvy Agents
von: Seedat, Nabeel, et al.
Veröffentlicht: (2025)

Position: All Current Generative Fidelity and Diversity Metrics are Flawed
von: Räisä, Ossi, et al.
Veröffentlicht: (2025)

Self-Healing Machine Learning: A Framework for Autonomous Adaptation in Real-World Environments
von: Rauba, Paulius, et al.
Veröffentlicht: (2024)

An Introduction to Discrete Variational Autoencoders
von: Jeffares, Alan, et al.
Veröffentlicht: (2025)

Causal machine learning for predicting treatment outcomes
von: Feuerriegel, Stefan, et al.
Veröffentlicht: (2024)

Visualizing token importance for black-box language models
von: Rauba, Paulius, et al.
Veröffentlicht: (2025)

Simulating Viva Voce Examinations to Evaluate Clinical Reasoning in Large Language Models
von: Chiu, Christopher, et al.
Veröffentlicht: (2025)

Eliciting Numerical Predictive Distributions of LLMs Without Autoregression
von: Piskorz, Julianna, et al.
Veröffentlicht: (2026)

Risk-Sensitive Diffusion: Robustly Optimizing Diffusion Models with Noisy Samples
von: Li, Yangming, et al.
Veröffentlicht: (2024)

Towards Regulatory-Confirmed Adaptive Clinical Trials: Machine Learning Opportunities and Solutions
von: Klein, Omer Noy, et al.
Veröffentlicht: (2025)

Quantifying perturbation impacts for large language models
von: Rauba, Paulius, et al.
Veröffentlicht: (2024)

Query-Dependent Prompt Evaluation and Optimization with Offline Inverse RL
von: Sun, Hao, et al.
Veröffentlicht: (2023)