Uma explicação sobre as Deep Neural Decision Forests

Muito do hype que está sendo feito sobre a Deep Learning se dá através de problemas de computação visual.

Contudo, uma abordagem que faz uma mistura entre Deep Learning com Decision Trees (na verdade eles chamam de forests dado que é aplicado o mesmo paradigma das Random Forests) ao menos no paper no link se mostra bem robusta e aplicável à problemas estruturados de Machine Learning (a.k.a. problemas em que os dados estão modelados de forma transacional ou relacionado).

A ideia principal é que no final da camada de ativação de uma rede neural (que pode ser deep ou não) haja um direcionamento do output (ou do objeto a ser predito) para um determinado lado da árvore.

Isso não só abre um espaço gigante para problemas de multi-classificação, mas também uma possibilidade de tratar modelos com um grau de latência maior (i.e. que não precisem de atualizações constantes) com uma forma mais robusta de decisão ao longo de toda a cadeia de predição.