スパース決定木学習は、単一の最も正確な木を（緩やかな）サイズ制限の中で発見することで、正確で解釈可能な予測モデルを提供します。本稿では、最適な木を見つけることがNP困難であるため、Rashomon集合の列挙がいかに困難であるかを説明し、新たに提案されたフレームワーク「SORTD」を導入します。SORTDは、スケーラビリティを向上させ、Rashomon集合内の木々を目的値の順に列挙することができるため、いつでも結果を得ることが可能です。実験によれば、SORTDは最先端の技術と比べて、最大で二桁の時間短縮を実現しています。また、SORTDは任意の分離可能かつ完全に順序付けられた目的に対してRashomon集合を計算でき、他の分離可能な（部分的に順序付けられた）目的を使った後評価もサポートします。これにより、実世界の応用におけるRashomon集合の探索が実用的になります。