في عالم الذكاء الاصطناعي، تعتبر نماذج الأشجار القرار (Decision Trees) جزءًا أساسيًا من تقنيات التعلم الآلي. إحدى الأساليب الرائدة في هذا المجال هي الأسطولات المعتمدة على قاعدة باجينغ (Bagging-based ensembles)، وخاصة الغابات العشوائية التكيفية (Adaptive Random Forests). هذه النماذج تثبت نجاحها في تعلم من تدفقات البيانات، حيث تعتمد على أشجار هوفدينغ (Hoeffding Trees) كأساس لها.

تستند أشجار هوفدينغ إلى مفهوم اختبار ما إذا كانت التقسيمات المحتملة في اتخاذ القرار أفضل بشكل ملحوظ من بدائلها، باستخدام عدم المساواة التركيزية (Concentration Inequalities). رغم نجاحها العملي، فإن النسخ الحالية تعاني من نقص في الضمانات الإحصائية الصحيحة. تعتمد التحليلات الحالية على حدود التركيز الثابتة، بينما يتم اتخاذ قرارات التقسيم باستخدام قواعد توقف تعتمد على البيانات، مما يُفقد الضمانات ويزيد من احتمالية الأخطاء.

نقدم في هذه الدراسة البديل الفعال المستند إلى الاستنتاجات المناسبة في كل الأوقات (Anytime-valid Inference). توفر طريقتنا:
(i) التحكم الفوري في الأخطاء تحت تدفقات البيانات العشوائية، بما في ذلك الإعدادات غير الثابتة؛
(ii) وقت التزام نهائي تحت ميزة تنبؤية؛ و
(iii) تحت بيانات مستقرة ومتكررة (i.i.d.)، حيث ينخفض الخطر بشكل رتابة ويحسن بشكل صارم مع كل تقسيم.

قمنا أيضًا بتقييم أداء الأشجار المستقلة واستخدامها ضمن الغابات العشوائية التكيفية في تدفقات غير ثابتة، حيث أثبتت طريقتنا تحسين الأداء بشكل كبير مع إنتاج أشجار أصغر بكثير.

ما رأيكم في هذا التطور؟ هل تعتقدون أن تحسين الأشجار القرار يمكن أن يؤثر على المستقبل في تعلم الآلة؟ شاركونا في التعليقات!