Los autores proponen árboles de clasificación neural (NCT), un marco que logra robustez al codificar la estructura de subgrupos dentro de su arquitectura en forma de árbol para abordar correlaciones espurias en modelos de aprendizaje automático.
- NCT enruta cada muestra a un nodo "fácil" o "duro" basándose en la corrección de la predicción y reutiliza estas rutas como pseudoetiquetas para iteraciones posteriores.
- El método desentraña subgrupos conflictivos sin requerir supervisión explícita de subgrupos.
- Los experimentos en cinco conjuntos de datos demuestran que la topología del árbol aprendido aísla consistentemente los subgrupos minoritarios, proporcionando una fuerte interpretabilidad.
- El enfoque ofrece una robustez competitiva en comparación con métodos de última generación, mientras proporciona un mapeo transparente entre la arquitectura del modelo y la estructura de los datos.