Buchumschlag

Minimax Rates and Spectral Distillation for Tree Ensembles

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Vu, Binh Duc, Watson, David S.
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Autoencoding Random Forests
von: Vu, Binh Duc, et al.
Veröffentlicht: (2025)

Minimax Optimality and Spectral Routing for Majority-Vote Ensembles under Markov Dependence
von: Shihab, Ibne Farabi, et al.
Veröffentlicht: (2026)

Credal Ensemble Distillation for Uncertainty Quantification
von: Wang, Kaizheng, et al.
Veröffentlicht: (2025)

Smooth-Distill: A Self-distillation Framework for Multitask Learning with Wearable Sensor Data
von: Vu, Hoang-Dieu, et al.
Veröffentlicht: (2025)

Contextual Similarity Distillation: Ensemble Uncertainties with a Single Model
von: Zanger, Moritz A., et al.
Veröffentlicht: (2025)

How Ensembles of Distilled Policies Improve Generalisation in Reinforcement Learning
von: Weltevrede, Max, et al.
Veröffentlicht: (2025)

Two-Fidelity Best-Action Identification for Stochastic Minimax Tree
von: Chen, Peter, et al.
Veröffentlicht: (2026)

Spectral Entropy Collapse as a Phase Transition in Delayed Generalisation: An Interventional and Predictive Framework for Grokkin
von: Khanh, Truong Xuan, et al.
Veröffentlicht: (2026)

Ensemble Distillation for Unsupervised Constituency Parsing
von: Shayegh, Behzad, et al.
Veröffentlicht: (2023)

S^2-KD: Semantic-Spectral Knowledge Distillation Spatiotemporal Forecasting
von: Wang, Wenshuo, et al.
Veröffentlicht: (2025)

On the Equivalence of Random Network Distillation, Deep Ensembles, and Bayesian Inference
von: Zanger, Moritz A., et al.
Veröffentlicht: (2026)

Refining Minimax Regret for Unsupervised Environment Design
von: Beukman, Michael, et al.
Veröffentlicht: (2024)

Beyond Minimax Rates in Group Distributionally Robust Optimization via a Novel Notion of Sparsity
von: Nguyen, Quan, et al.
Veröffentlicht: (2024)

Unmasking On-Policy Distillation: Where It Helps, Where It Hurts, and Why
von: Armandpour, Mohammadreza, et al.
Veröffentlicht: (2026)

On Statistical Rates of Conditional Diffusion Transformers: Approximation, Estimation and Minimax Optimality
von: Hu, Jerry Yao-Chieh, et al.
Veröffentlicht: (2024)

Tree Ensembles for Contextual Bandits
von: Nilsson, Hannes, et al.
Veröffentlicht: (2024)

On the Stability and Generalization of First-order Bilevel Minimax Optimization
von: Zhang, Xuelin, et al.
Veröffentlicht: (2026)

DDTime: Dataset Distillation with Spectral Alignment and Information Bottleneck for Time-Series Forecasting
von: Li, Yuqi, et al.
Veröffentlicht: (2025)

Scalable Hyperparameter-Divergent Ensemble Training with Automatic Learning Rate Exploration for Large Models
von: Cheng, Hailing, et al.
Veröffentlicht: (2026)

Restoring the Sweet Spot: Pass-Rate Weighted Self-Distillation for LLM Reasoning
von: Liu, Zehao, et al.
Veröffentlicht: (2026)

FedKDX: Federated Learning with Negative Knowledge Distillation for Enhanced Healthcare AI Systems
von: Pham, Quang-Tu, et al.
Veröffentlicht: (2026)

On the Practice of Deep Hierarchical Ensemble Network for Ad Conversion Rate Prediction
von: Zhuang, Jinfeng, et al.
Veröffentlicht: (2025)

FUTURE: Flexible Unlearning for Tree Ensemble
von: Chen, Ziheng, et al.
Veröffentlicht: (2025)

Automatic Unsupervised Ensemble Outlier Model Selection--Extended Version
von: Phan, Hong-Phuc, et al.
Veröffentlicht: (2026)

Understanding Expert Structures on Minimax Parameter Estimation in Contaminated Mixture of Experts
von: Yan, Fanqi, et al.
Veröffentlicht: (2024)

Spectral Flattening Is All Muon Needs: How Orthogonalization Controls Learning Rate and Convergence
von: Nguyen, Tien-Phat, et al.
Veröffentlicht: (2026)

Minimax Optimal and Computationally Efficient Algorithms for Distributionally Robust Offline Reinforcement Learning
von: Liu, Zhishuai, et al.
Veröffentlicht: (2024)

FAIREDU: A Multiple Regression-Based Method for Enhancing Fairness in Machine Learning Models for Educational Applications
von: Pham, Nga, et al.
Veröffentlicht: (2024)

Decision Predicate Graphs: Enhancing Interpretability in Tree Ensembles
von: Arrighi, Leonardo, et al.
Veröffentlicht: (2024)

Simple Self-Conditioning Adaptation for Masked Diffusion Models
von: Cardei, Michael, et al.
Veröffentlicht: (2026)

Taming the Adversary: Stable Minimax Deep Deterministic Policy Gradient via Fractional Objectives
von: Lee, Taeho, et al.
Veröffentlicht: (2026)

Quantifying Sensitivity for Tree Ensembles: A symbolic and compositional approach
von: Akshay, S., et al.
Veröffentlicht: (2026)

Finding Minimum-Cost Explanations for Predictions made by Tree Ensembles
von: Törnblom, John, et al.
Veröffentlicht: (2023)

TE2Rules: Explaining Tree Ensembles using Rules
von: Lal, G Roshan, et al.
Veröffentlicht: (2022)

A Rectification-Based Approach for Distilling Boosted Trees into Decision Trees
von: Audemard, Gilles, et al.
Veröffentlicht: (2025)

REValueD: Regularised Ensemble Value-Decomposition for Factorisable Markov Decision Processes
von: Ireland, David, et al.
Veröffentlicht: (2024)

Efficient ANN-Guided Distillation: Aligning Rate-based Features of Spiking Neural Networks through Hybrid Block-wise Replacement
von: Yang, Shu, et al.
Veröffentlicht: (2025)

Neuro-inspired Ensemble-to-Ensemble Communication Primitives for Sparse and Efficient ANNs
von: Konstantaropoulos, Orestis, et al.
Veröffentlicht: (2025)

Efficient Epistemic Uncertainty Estimation in Regression Ensemble Models Using Pairwise-Distance Estimators
von: Berry, Lucas, et al.
Veröffentlicht: (2023)

Search-Augmented Masked Diffusion Models for Constrained Generation
von: Ta, Huu Binh, et al.
Veröffentlicht: (2026)