本文介绍了树模型在恶意代码检测中的应用，重点讲解了决策树、集成学习（Bagging与Boosting）及XGBoost算法的原理与实现。通过特征提取与模型训练，在PHP恶意代码检测中实现了97%的准确率。

本研究解决了传统叙事记忆研究中缺乏定量特征分析的问题，提出了一种使用随机树的统计集成方法，将叙事表示为关键点的层次结构。通过该模型，研究发现平均回忆长度与叙事长度的关系及个体总结叙事段落的方式，揭示了在长叙事中总结的普遍极限现象，具有重要的理论和实践意义。

RenderDiffusion是首个基于单眼2D监督的3D生成扩散模型，能够从2D图像推断3D信息并生成3D场景。该模型在多个数据集上表现出色，支持3D场景的编辑和修复，展现了在3D内容创作中的广泛应用潜力。

本文介绍了一种图神经网络模型用于运输网络的出发时间估算，应用于悉尼等城市，预测准确度提高最高达40%。提出的DuETA框架通过构建拥堵感知图和路线感知图，显著提升ETA预测性能。研究强调公共数据标准对公交到站时间算法发展的重要性，并介绍了多种基于深度学习和概率密度的方法，提升交通时间估计的准确性。

研究表明，传统树模型（如XGBoost和随机森林）在中等大小的表格数据集上仍优于深度学习方法。尽管神经网络在结构化数据上表现出竞争力，但复杂的深度学习模型的有效性仍需进一步验证。此外，研究提出了新的基准数据集TabReD，以评估不同机器学习模型在时间演化数据环境中的表现。

本文研究了描述逻辑中的查询回答，提出了基于树模型和自动机算法的解决方案，探讨了不同角色的可满足性及其复杂性，分析了有限本体中介查询的可决定性，并介绍了多种算法和优化技术，为信息系统的发展奠定了基础。

本研究对水平联邦学习中的树模型和深度神经网络进行了对比，结果显示当前联邦增强的树模型在不同数据分区下表现优于联邦深度神经网络，并且联邦 XGBoost 模型表现最佳。此外，即使增加客户端数量，联邦树模型的性能仍优于联邦参数化模型。

该论文介绍了一种基于树的可变系数模型，使用循环梯度提升机对系数函数进行建模。该模型实现了基于维度的早停和特征重要性得分，降低了过拟合风险并揭示了维度之间的模型复杂性差异。在评估中，该模型在样本外损失方面与神经网络可变系数模型相当。

使用卷积神经网络定位分类血管点，通过最小距离树状图边表示血管，研究血管网络中重要地标检测。构建超声定位显微镜数据跟踪模型，提出良好成本函数。测试合成数据和眼底图像，发现ULM数据注释不足是障碍，但建立方向得分有助于血管追踪。

本研究提出了一种基于干预实验数据的本地方法，用于学习线性高斯多叉树的因果结构，能快速且准确地处理大规模问题。

该研究探讨了外部知识对自然语言推断系统性能的影响，发现不同来源的知识影响不同。同时，进行了最大规模、最精细的可解释NLI众包研究，揭示了自动性能分数与人的评分存在巨大差异。

该文介绍了一种基于树的机器学习模型，通过博弈论、局部特征交互作用效应和全局模型结构实现高可解释性。该模型应用于三个医疗机器学习问题，识别出非线性死亡风险因素、人口亚组和慢性肾脏疾病危险因素之间的非线性交互作用效应，并监测在医院部署的机器学习模型。

本文介绍了一种使用因果干预公平性范例的方法，通过考虑公平性来提高预测质量，不添加偏差。使用条件独立性检测的方法确定干预公平的特征子集，并通过现实世界的数据集进行了实证评估，证明了方法的有效性和效率。