本文探讨了稀疏感应的软决策树作为传统决策树集成方法的替代，解决了光滑性差和维度灾难的问题。提出了新算法如PGBM和神经随机森林，提升了模型的预测性能和速度，并涉及模型简化、变量选择及统计推断，展示了树集成在多种预测问题中的优势。

该文综述决策树与树集成算法的对抗鲁棒性研究，涵盖Treant抗攻击学习、混合整数规划与符号预测干扰、集成对抗训练、Born-Again树可解释性、攻击树风险评估、AdaEA自适应集成攻击及成本驱动鲁棒决策树等方法，旨在提升模型抗干扰能力并兼顾可解释性。