Online Gradient Boosting Decision Tree: Efficient In-Place Updates for Data Addition and Deletion
💡
原文英文,约100词,阅读约需1分钟。
📝
内容提要
本研究提出了一种在线梯度提升决策树(GBDT)框架,克服了传统GBDT无法增删数据的局限性。该框架支持增量和减量学习,优化了学习成本,实验表明其在处理少量数据增删时有效且高效,并能应对后门攻击。
🎯
关键要点
-
本研究提出了一种在线梯度提升决策树(GBDT)框架,克服了传统GBDT无法增删数据的局限性。
-
该框架支持增量和减量学习,优化了学习成本。
-
实验结果表明,该框架在处理少量数据增删时有效且高效。
-
该框架能够应对后门攻击。
➡️