神经 oblivious 决策集成（NODE）——用于表格数据的先进深度学习算法——深度与浅层
神经 oblivious 决策集成（NODE）是一种针对表格数据设计的深度学习架构。它借鉴了决策树集成（如随机森林、梯度提升树）的优点，同时保持神经网络的可微性和端到端训练能力。
核心结构
NODE 由多个 oblivious 决策树 层组成，每层使用相同的特征划分阈值（因此称为 oblivious）。这种设计允许高效的并行计算，并可通过反向传播学习划分参数。
深度与浅层配置
- 浅层 NODE：层数较少，每层树数量较多，适合中小型数据集。
- 深度 NODE：增加层数，每层树数量较少，可捕获更复杂的特征交互，适用于大规模表格数据。
与决策树的类比
传统决策树在训练时需选择分裂特征和阈值，而 oblivious 树的所有节点共享同一特征顺序和阈值，显著降低计算复杂度，同时保持集成的表达能力。
性能优势
在多个表格基准数据集上，NODE 可与梯度提升树（如 XGBoost、LightGBM）媲美或超越，同时支持 GPU 加速和批量训练，克服了传统树模型难以在深度学习框架中无缝集成的缺点。FINISHED
