مدلهای گرادیانبوست (Gradient-Boosted Trees) که در دادههای جدولی بیرقیب هستند، حالا با روش جدیدی به نام TreeCCA وارد دنیای «تحلیل همبستگی کانونی» شدهاند.
تا امروز این حوزه عمدتاً در تسخیر روشهای خطی یا شبکههای عصبی بود، اما TreeCCA اولین متدی است که به صورت بومی با کتابخانههای محبوبی مثل XGBoost و LightGBM ادغام میشود.
✅ چرا این خبر مهم است؟
۱. دقت بالا: عملکردی مشابه یا بهتر از Deep CCA دارد.
۲. تفسیرپذیری عالی: برعکس مدلهای عصبی «جعبه سیاه»، در این روش میتوانید دقیقاً ببینید کدام ویژگیها باعث همبستگی شدهاند.
۳. صرفه اقتصادی: رسیدن به نتایج مشابه با هزینه محاسباتی بسیار کمتر (۵ برابر سریعتر).
این نوآوری راه را برای تحلیلهای هوشمندتر روی دادههای چندوجهی باز میکند.
منبع: arXiv Machine Learning