随机森林编辑
随机化决策树集成模型及其在 DynFrs 中的高效维护。
随机森林 是由多棵决策树组成的集成模型，训练中通常对样本、特征或划分候选引入随机性。它在表格数据上表现强、相对稳健，并且比许多神经模型更容易检查。1
研究背景编辑
随机森林对机器遗忘很重要，因为其结构是离散的：删除一个训练点可能影响路径、叶节点统计，甚至多棵树的划分决策。朴素重新训练基线清晰但昂贵；有用的遗忘框架必须在保持森林分布的同时减少不必要重算。
与乔鑫宝工作的关系编辑
DynFrs 研究动态环境下随机森林的机器遗忘。论文核心设计使用 lazy tags 和更新逻辑，避免每次删除或修改请求后重建整个森林。这项工作将模型维护与 机器遗忘、AI 与网络 联系起来：当数据持续变化时，如何以较低延迟更新已部署模型。
参见编辑
脚注编辑
-
Leo Breiman 2001 年发表在 Machine Learning 的 “Random Forests” 是该模型族的标准参考。 ↩