Label Distribution Learning (LDL) ist ein allgemeines Lernframework, das einer Instanz eine Verteilung über eine Menge von Labels zuordnet, anstatt nur einem einzelnen Label oder mehreren Labels. Aktuelle LDL-Methoden haben entweder eingeschränkte Annahmen über die Ausdrucksform der Labelverteilung oder Einschränkungen im Bereich des Repräsentationslernens, zum Beispiel bei der end-to-end-Lernung tiefer Merkmale. In dieser Arbeit werden Label Distribution Learning Forests (LDLFs) – ein neuer LDL-Algorithmus basierend auf differenzierbaren Entscheidungsbaumstrukturen – vorgestellt, der mehrere Vorteile bietet: 1) Entscheidungsbaumstrukturen haben das Potenzial, jede allgemeine Form von Labelverteilungen durch eine Mischung aus Blattknoten-Vorhersagen zu modellieren. 2) Das Lernen differenzierbarer Entscheidungsbaumstrukturen kann mit dem Repräsentationslernen kombiniert werden. Wir definieren eine verlustfunktionsbasierte Methode für einen Wald, die es ermöglicht, alle Bäume gemeinsam zu lernen, und zeigen, dass eine Aktualisierungsfunktion für die Vorhersagen der Blattknoten abgeleitet werden kann, die einen strikten Verlustabfall garantiert. Die Effektivität der vorgeschlagenen LDLFs wird an mehreren LDL-Aufgaben und einer Anwendung im Bereich der Computer Vision verifiziert, wobei signifikante Verbesserungen gegenüber den bisher besten LDL-Methoden nachgewiesen werden.