Куат Газизов представил ускоренное обучение деревьев регрессии на NeurIPS 2025

С 30 ноября по 7 декабря в Сан Диего и Мехико прошла самая значимая конференция по AI & ML - NeurIPS 2025!

Куат Газизов, PhD студент из University of California Merced, презентовал свою работу - а faster training algorithm for regression trees with linear leaves, and an analysis of its complexity.

В своей работе Куат показывает, что Tree Alternation Optimization для регрессионных деревьев можно существенно ускорить с помощью формулы Шермана–Моррисона–Вудбери, сохранив точность, так что глубокие деревья обучаются быстрее и в итоге могут обучаться даже быстрее, чем обычная линейная регрессия.

Поздравляем Куата с успешной публикацией и желаем ему дальнейших успехов в рисерче!