تُعتبر أشجار القرار (Decision Trees) من الأدوات الأساسية في مجالات حساسة مثل التشخيص الطبي، لما تتميز به من قابلية فهم عالية وفعالية في معالجة البيانات الجدولية. ومع ذلك، يواجه تدريب أشجار القرار المائلة (Oblique Decision Trees) تحديات كبيرة، مثل المشهد المعقد لتحسين الأداء ومخاطر الإفراط في التناسب، خاصة في مسائل الانحدار (Regression).

تقدم بعض الأبحاث الحديثة صيغًا قابلة للتفريق (Differentiable) تمكّن من التدريب بناءً على التدرج (Gradient-Based Training) والتوافق بين حدود القرار ومُعدلات الأوراق (Leaf Regressors). لكن غالبًا ما تعتمد الأساليب الموجودة على التقريبات، سواء من خلال تخفيف حدود الاحتمالية (Softening) أو استراتيجيات مثل المحفز المستقيم (Straight-Through Estimator - STE).

للتغلب على هذه العقبات، تطرح الدراسة الجديدة DTSemNet، وهي تمثيل مبتكر ومتساوي دلاليًا وقابل للعكس لأشجار القرار المائلة الصلبة (Hard Oblique Decision Trees) باستخدام الشبكات العصبية. يتيح DTSemNet التدريب باجتذاب التدرج التقليدي، مما يُلغي الحاجة للتقريبات في كل من التصنيف والانحدار.

بينما يتماشى التصنيف بشكل طبيعي مع هذه الصيغة، يبقى انحدار البيانات تحديًا بسبب عملية التوافق بين العقد الداخلية ومُعدلات الأوراق. لمواجهة هذا، تستكشف الدراسة قيود STE وتقترح طريقة Top-k المعززة التي توفر إشارات دقيقة دون استخدام التقريبات.

تظهر التجارب الواسعة على معايير التصنيف والانحدار أن أشجار القرار المائلة المدربة بواسطة DTSemNet تتفوق على أغلب الطرق المتقدمة في أشجار القرار القابلة للتفريق. بالإضافة إلى ذلك، تظهر الدراسة أن DTSemNet يمكنه العمل كسياسات برامجية في بيئات التعلم التعزيزي، مما يوسع نطاق تطبيقاتها.