REALITrees: Rashomonアンサンブルによる解釈可能な木のためのアクティブラーニング
arXiv stat.ML / 2026/3/25
💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- REALITreesは、Query-by-Committee（QBC）のように摂動に基づく不一致ではなく、すべての準最適な疎な決定木モデルの集合であるRashomon Setから委員会（committee）を構築することで、アクティブラーニングを改善するRashomon Ensembled Active Learning（REAL）という手法を提案する。
- このアプローチは、PAC-Bayesianの枠組みを用いて、経験的リスクに基づいて委員会の各メンバに重みを付けるGibbs事後分布（Gibbs posterior）により、委員会内の機能的冗長性を低減し、もっともらしい仮説空間をより適切に特徴付けることを目指す。
- 疎な決定木に対しては、近年のアルゴリズム的進展によりRashomon Setを厳密に列挙できるため、ランダム化アンサンブルよりも忠実な委員会が可能になる。
- 合成データおよび確立されたアクティブラーニングのベースラインでの実験では、REALがランダム化アンサンブルを上回り、拡張されたモデル多様性によって実現されるより速い収束が、特に中程度のノイズ環境で最大の改善につながることが示されている。
