本論文では、分類および回帰モデルとして広く使用されているランダムフォレスト(RF)と極端勾配ブースティング(XGBoost)の限界を克服するために、適応型フォレスト(AF)という新しいアプローチを提案しています。AFは、基になるCARTモデルの重みを適応的に選択し、最適予測政策木(OP2T)フレームワークを用いて、入力に応じた非等重みを樹木に割り当てます。また、混合整数最適化(MIO)を用いて重み候補を動的に洗練し、全体的なパフォーマンスを向上させます。実際のデータセット20以上において、AFはRFやXGBoost、他の重み付けランダムフォレストに対して一貫して優れた性能を発揮することが示されました。