MetaTree: Skalierbares Meta-Lernen von Entscheidungsbäumen mit synthetischen Daten

In hochsensiblen Bereichen wie Finanzen und Gesundheitswesen sind Entscheidungsbäume wegen ihrer Interpretierbarkeit unverzichtbar. Ein neues Verfahren, vorgestellt auf arXiv (2511.04000v1), nutzt synthetische Vortrainingsdaten, um das Meta-Lernen dieser Modelle effizient zu skalieren.

Der Ansatz erzeugt künstlich nahezu optimale Entscheidungsbäume, wodurch große, realitätsnahe Datensätze entstehen. Durch die Verwendung der MetaTree-Transformer-Architektur erreicht das System Leistungen, die mit denen eines Vortrainings auf echten Daten oder auf rechnerintensiven optimalen Bäumen vergleichbar sind.

Diese Methode senkt die Rechenkosten erheblich, erhöht die Flexibilität bei der Datengenerierung und ebnet den Weg für eine skalierbare und effiziente Meta-Lernstrategie für interpretierbare Entscheidungsbaummodelle.