本研究では、決定木が金融や医療など高リスク分野で幅広く使用される理由として、その解釈性が挙げられます。本研究では、決定木のメタ学習を促進するための合成事前トレーニングデータを効率的かつスケーラブルに生成する方法を提案しています。このアプローチでは、近接最適な決定木を合成的にサンプリングし、大規模かつ現実的なデータセットを生成します。MetaTreeトランスフォーマーアーキテクチャを用いることで、本手法は実際のデータでの事前トレーニングや計算コストが高い最適決定木と同等の性能を達成できることを示しています。これにより、計算コストの大幅な削減、データ生成の柔軟性の向上、そして解釈可能な決定木モデルのスケーラブルで効率的なメタ学習への道が開かれることになります。