Naukowcy zapresentowali nową metodę trenowania głębokich drzew decyzyjnych, która pokonuje długotrwały problem skalowania przy jednoczesnym zachowaniu interpretowności. Dotychczasowe algorytmy optymalne do obliczeń globalnie optymalnych były ograniczone do płytkich struktur i binarnych cech, podczas gdy tradycyjne podejścia heurystyczne często poświęcały dokładność predykcji na rzecz efektywności obliczeniowej.
Zaproponowana metoda opiera się na hierarchicznym frameworku optymalizacji root-subtree. Na poziomie głównego wierzchołka problemu używa branch-and-reduce, natomiast dla poddrzew stosuje heurystykę zachłanną działającą jako lookahead rollout znany z reinforcement learning. To połączenie pozwala metodzie zdobyć znacznie lepszą efektywność dla głębszych struktur drzew. Algorytm wykorzystuje niskokosztową strategię moving-horizon do iteracyjnego doskonalenia dokładności modelu.
Wyniki eksperymentów pokazują, że metoda przewyższa dokładność testową istniejących podejść heurystycznych przy znacznie lepszej skalowalności zarówno pod względem rozmiaru zbioru danych, jak i głębokości drzewa w porównaniu z metodami gwarantującymi optymalność globalną. To szczególnie ważne dla interpretowności - drzewa decyzyjne są jednym z najbardziej przejrzystych modeli ML, a nowe rozwiązanie umożliwia ich praktyczne stosowanie na rzeczywistych dużych zbiorach danych.