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。

该文介绍了一种高效省时的特征重要性得分定义方法，可用于隔离森林的全局和局部层面，并提出了一种无监督异常检测中的特征选择过程。作者在多个数据集上进行了评估和比较。