木からフローへ戻して：決定木と拡散モデルを統合する
## 日本語訳:
**Work は階層構造と拡散過程の間の数学的対応関係を確立することで、決定木と拡散モデルを統一します。** この画期的な進展は、構造化されたデータにおいてこれら 2 つの強力なパラダイムが従来独立して運用されてきたという従来のギャップを解消し、モデルの説明可能性と高忠実度な生成能力という希少な組み合わせをもたらします。
核心的な証拠は、「Global Trajectory Score Matching」という共有最適化原則にあります。これは勾配ブースティングが漸近的に最適となることを保証します。**\treeflow** と呼ばれる手法を導入することで、この統一されたフレームワークは表形式データにおいて競合する生成品質を達成しつつ、計算速度を 2 倍に引き上げます。さらに、提案された **\dsmtree** 手法は階層的分岐ロジックを神経ネットワークに直接蒸留することに成功しました。驚くべきことに、多くのベンチマークにおいて教師モデルの性能をわずか 2% の乖離で追跡しています。
この進展は、明確さを見失わずかつ過大なコストを支払うことなく信頼性の高いデータ生成を求めるユーザーにとって大きく利益をもたらします。将来の開発では、これらのフレームワークをより大規模なデータセットや表形式データ以外の複雑な構造に拡張することが予想され、論理的決定木が不可欠であるその他の領域への応用も潜在しています。本質的には、この作業は明確なロジックと深い生成芸術がいかに効率的に共存できるかを証明しているのです。
## Text to translate:
# Rules
- Preserve the original meaning exactly (no additions, no omissions).
- Keep the document structure (headings, bullet points if present).
- Keep technical terms accurate (API, LLM, zero-trust kept as-is unless there is a natural Japanese equivalent).
- Maintain tone and level of certainty.
- Do NOT summarize, explain, or rewrite — only translate.
# Output format
## Japanese Translation:
(write the Japanese translation here)
## Text to translate
(if needed; otherwise repeat the original):
## Summary:
**Work unifies decision trees and diffusion models by establishing a mathematical correspondence between hierarchical structures and diffusion processes.** This breakthrough bridges the traditional gap where these two powerful paradigms operated separately for structured data, offering a rare blend of model interpretability and high-fidelity generative power.
The core evidence lies in "Global Trajectory Score Matching," a shared optimization principle that ensures gradient boosting becomes asymptotically optimal. By introducing a method called **\treeflow**, this unified framework achieves competitive generation quality on tabular data while delivering double the computational speedup. Furthermore, the proposed **\dsmtree** method successfully distills hierarchical decision logic directly into neural networks. Remarkably, it matches teacher performance within just 2% on many benchmarks.
This advancement significantly benefits users seeking reliable data generation without sacrificing clarity or incurring excessive costs. Future developments will likely expand these frameworks to larger datasets and complex structures beyond simple tabular data, potentially applying them to other domains where logical decision trees are essential. Essentially, this work proves that clear logic and deep generative art can coexist efficiently.
