Generalized Proximity Forest: Neue Methode für vielseitiges maschinelles Lernen

Die neueste Veröffentlichung auf arXiv (2511.19487v1) stellt das Generalized Proximity Forest (GPF) vor – eine Weiterentwicklung des bereits erfolgreichen Proximity Forests, die die Vorteile der Random‑Forest‑Proximitäten nun auf sämtliche distance‑based‑Supervised‑Learning‑Anwendungen überträgt.

Random Forests haben sich in den letzten Jahren als nützlich für Aufgaben wie Ausreißererkennung, fehlende Daten imputation und Visualisierung erwiesen. Ihre Wirksamkeit hängt jedoch stark von der Qualität des zugrunde liegenden RF‑Modells ab, das nicht immer die optimale Wahl ist. Durch die Einführung des GPF wird dieses Problem gelöst, indem die Proximity‑Logik auf jede Art von supervised distance‑based‑ML‑Modell ausgeweitet wird.

Darüber hinaus bietet das GPF eine spezielle Variante für Regressionsaufgaben und kann als Meta‑Learning‑Framework eingesetzt werden. Damit lässt sich die Imputationsfähigkeit auf beliebige vortrainierte Klassifikatoren übertragen – ein echter Fortschritt für die Praxis.

Experimentelle Vergleiche zeigen, dass das Generalized Proximity Forest sowohl gegenüber dem klassischen Random Forest als auch dem k‑Nearest‑Neighbors‑Modell deutliche Vorteile bietet. Die Ergebnisse unterstreichen die Vielseitigkeit und Leistungsfähigkeit des neuen Ansatzes.