Self-supervised Decision Tree Learning

Standardbeslutsträd behöver etikettsatta exempel vid varje nod. I många verkliga scenarier är det dyrt att samla in etiketter, men rådata är rikligt förekommande. Självövervakade beslutsträd löser detta genom att först be trädet att lösa en hjälpuppgift – till exempel att förutsäga om två sampel tillhör samma kluster, eller att rekonstruera maskerade egenskaper – med endast oetiketterad data. Denna förtextfas lär trädet vilka egenskaper och tröskelvärden som är globalt informativa. När etiketter slutligen anländer har trädet redan ett försprång och behöver betydligt färre av dem för att uppnå god noggrannhet.