オンライン多重回帰木と積み重ねられた葉モデル

機械学習における現在の課題の一つは、データストリームにおいて増加する速度で到着するデータの扱い方です。高スループットのデータと概念ドリフトに対応するために、新しい予測学習戦略が必要となっています。特に、多目標回帰（multi-target regression）は多くの実世界問題に適用可能であるため、新たな学習戦略が求められています。バッチ処理の多目標回帰には信頼性と効果性のある学習戦略が提案されていますが、データストリームでの多目標オンライン学習にはほとんど提案されていません。さらに、既存の解決策の多くは予測時に目標間相関（inter-target correlations）を考慮していません。本研究では、データストリームにおける多目標回帰用の新しいオンライン学習戦略を提案します。提案された戦略は、既存のオンライン決定木学習アルゴリズムを拡張し、予測時に目標間依存関係を探索します。このため、提案された戦略「スタック単一目標ホフディングツリー（Stacked Single-target Hoeffding Tree: SST-HT）」では、目標間依存関係を追加情報源として利用することで予測精度を向上させます。広範な実験設定を通じて、我々の提案手法を最新の決定木ベースのオンライン多目標回帰アルゴリズムと比較評価しました。実験結果によると、SST-HTは処理時間とメモリ要件に僅かな増加があるものの、優れた予測精度を示しています。