想象一下你正在试图解开一个巨大且缠绕在一起的结。在计算机科学领域，特别是在一个叫做机器学习的领域中，我们经常要求计算机寻找“最佳”的预测方式，比如猜测一名客户是否会购买产品，或者一名患者是否患有某种疾病。长期以来，科学家们一直认为通常只有一个单一的、完美的答案——一个唯一的“黄金模型”。但故事中有一个迷人的转折，叫做罗生门效应（Rashomon effect）。它得名于一部著名的电影，片中四个证人对同一事件讲述了不同的版本；这种效应描述了一种现实：许多完全不同的模型可以表现得几乎完全一样。它们都是“足够好”的，但它们可能使用不同的线索，或者以完全不同的方式观察数据。

为什么这很重要？因为如果你只寻找那一个“黄金”模型，你可能会错过一整群同样优秀的替代方案。其中一些替代方案可能更安全、更容易理解或更公平。为了研究这一点，研究人员会寻找一个罗生门集（Rashomon set）：一个包含所有近乎完美模型的集合。挑战在于，寻找这个集合就像试图数清沙滩上的每一粒沙子一样。这是一个巨大的、混乱的工作，尤其是当数据不仅仅是简单的“是或否”（如红或蓝）这类离散答案，而是包含**连续特征（continuous features）**时——这些是可以是任何数值的数字，比如温度、身高或价格，它们可以在数百万个不同的点上进行分割。

正是在这里，一项新研究登场了，它引入了一个聪明的工具，叫做 ArborEnum。把研究人员想象成试图绘制一片浓密、多雾森林地图的探险家。以前，如果他们想绘制森林的地图，必须把森林砍成整齐的、方格状的网格（这个过程叫做二值化/binarization），仅仅是为了让它变得易于处理。但在这样做时，他们往往会错过那些存在于野外连续景观中的隐藏路径、稀有树木和重要的捷径。本文作者构建了一种新型指南针，它能让你在不预先将森林切碎的情况下，精确地探索森林原本的样子，保留其所有的平滑、连续的曲线。他们发现，通过忽略数据的平滑性，旧的方法会遗漏大量的“优秀”模型。他们的新方法可以比以前快得多——有时甚至快数百倍地列出这些模型。更棒的是，他们还创造了一个“智能”版本，它从森林的粗略草图开始，并随着运行时间的增加而不断精细化，变得越来越详细，因此你可以根据需要随时停止。他们通过在现实世界数据上的实验证明，这种方法不仅节省了时间，还发现了旧有的、基于网格的方法完全忽略的重要特征和模型变体。

森林与网格的故事

想象你是一名试图破解谜团的侦探。你有一堆线索，你需要构建一棵决策树——即一个问题的流程图——来查明谁是凶手。通常，你会问这样的问题：“嫌疑人身高是否超过 6 英尺？”或者“嫌疑人是否戴着帽子？”在过去，计算机科学家必须在开始构建树之前，将每一个线索都变成一个简单的“是或否”问题。如果一个线索是一个数字，比如“嫌疑人身高为 5 英尺 11 英寸”，他们就必须将其切分成若干个桶（buckets）：“他是否低于 5 英尺 6 英寸？”、“他是否在 5 英尺 6 英寸到 6 英尺之间？”还是“他是否超过 6 英尺？”

这个切割过程被称为二值化（binarization）。这就像是将一条平滑流动的河流强行灌入一系列方形的混凝土渠道。问题在于，通过将水强行塞进这些僵化的方框，你可能会错过一个微小而完美的漩涡，或者一条在缝隙间流过的隐藏暗流。在机器学习的世界里，这意味着你可能会错过一个完美的分割点，因为你的“网格”没有在数据需要的地方精准设置分割线。

罗生门效应是指并不存在唯一的完美流程图。可能存在几十个、甚至数百个不同的流程图，它们都能以同样的高准确度解决谜团。有些可能使用身高，有些可能使用体重，或者两者结合使用。罗生门集就是所有这些同样优秀的流程图的集合。寻找这个集合对于理解哪些线索是真正重要的，以及哪些只是运气好的猜测，是非常有用的。如果一个线索出现在几乎所有的优秀流程图中，它很可能是一个真实的解谜关键。如果它只出现在一个流程图中，它可能只是一个巧合。

旧地图的问题

长期以来，寻找这个罗生门集的唯一方法是使用“混凝土渠道”法（二值化）。研究人员将连续的数字切分成几个桶，然后尝试寻找所有优秀的树。但这有两个大问题。首先，搜索空间已经非常庞大了；仅用 20 个二值化特征，生成的树的数量就已经比地球上的沙粒还要多。第二，通过切割数据，他们丢弃了信息。他们可能会错过一个发生在非常特定数字（比如 5.99 英寸）处的分割，因为他们的桶只有 5.5 和 6.0。

论文指出，这种“粗糙”的二值化就像是在试图通过只看干草堆顶层来寻找针头。你可能会找到一根针，但你会错过那些埋得更深或者形状略有不同的针。作者发现，当他们被迫将数据放入这些粗糙的桶中时，他们遗漏了许多重要的树、重要的特征以及真正的解法多样性（预测多样性/predictive multiplicity）。

新型指南针：ArborEnum

于是，ArborEnum 登场了。作者构建了第一个可以在不预先切碎数据的情况下，探索“连续森林”的算法。它不再强迫数据进入方形的桶，而是尊重数字的自然顺序。它将数据视为一条平滑的线，并寻找切割它的最佳位置，因为它知道存在着成千上上的个可能的切割点。

为了实现这一点，他们使用了一个聪明的技巧。想象你在寻找切断绳子的最佳位置。你不需要测试每一个毫米。如果你知道在 10 英寸处切割很差，在 11 英寸处也同样很差，那么你大概可以推测在 10.5 英寸处切割也不会太好。作者开发了一种利用这些“边界（bounds）”的方法，从而跳过不需要测试的巨大绳段。他们称之为剪枝（pruning）。这就像拥有一张地图，上面写着：“不必去那个整个山谷里寻找，那里没有宝藏。”

他们还引入了一个“代理（proxy）”系统。把代理想象成一个快速、粗略的猜测。在进行繁重的检查工作之前，算法会做一个快速的近似猜测，以查看一条路径是否值得探索。如果猜测结果是“没戏”，它就会跳过整个分支；如果猜测结果是“也许可以”，它就会深入挖掘。这使得算法运行速度极快。在测试中，这种方法比现有方法平均快了 270 倍，在某些情况下，差距甚至更加惊人。

“随时可用”特性：一个不断完善的草图

ArborEnum 最酷的部分之一是它的随时可用算法（anytime algorithm）。通常，如果你想要一张完美的地图，你必须等待计算机完成整个任务。但如果你现在就需要答案呢？带有“随时可用”功能的 ArborEnum 从一个非常粗略的森林草图开始。它可能只观察几个关键的切割点，并根据这个粗略草图给你一份优秀的树列表。

然后，随着你让它运行的时间越长，它会向地图中添加越来越多的切割点。它会不断精细化草图，填补空白。你给它的时间越多，它生成的树的列表就越详细、越准确。最终，如果你让它运行足够长的时间，它会找到所有优秀树的精确列表。最棒的是，你可以随时停止它。如果你需要在 5 分钟内得到答案，你会得到一个不错的近似值；如果你有 5 小时，你会得到一个近乎完美的答案。作者发现，即使使用这种“粗略开始”的方法，他们也找回了几乎所有的重要树木，而且精细化地图所花费的额外时间也非常小——仅比在最终点集上运行非精细化版本的时间多了大约 2.7%。

他们的发现及其意义

实验是在 20 个不同的现实世界数据集上进行的，涵盖了从预测自行车租赁到信用卡违约等各种场景。结果非常明确：

1. 粗糙二值化会遗漏很多内容： 当他们将旧有的“切碎”方法与新的连续方法进行比较时，旧方法遗漏了许多树和重要特征。这就像透过一层雾气浓重的窗户看照片：你能看到大致轮廓，但会错过细节。
2. 速度是实实在在的： 新方法在数量级上更快。在一个名为“Bike”的数据集上，新的最优方法比唯一能跑完的另一种方法快了 63 倍。
3. 准确性很高： 即使使用快速的近似“代理”方法，他们也能找回原有完美方法所发现的 94.5% 到 100% 的树。这意味着你可以在不等待永恒的时间的情况下，获得几乎所有的罗生门集收益。
4. “随时可用”的方法行之有效： 这种从粗略开始并逐渐完善的方法被证明非常高效。它能很早就发现重要特征，这意味着你可以快速获得有用的见解，而不必等待完整的计算过程。

这篇论文并不声称已经解决了机器学习中的所有问题。它并没有说连续特征是做这类事情的“唯一”方式，也没有说这种方法适用于每一种类型的模型。但它通过实验的有力证据表明，对于决策树而言，将连续数据视为连续数据是一个游戏规则的改变者。它让我们能够看到“罗生门集”的全貌，而不会因为其复杂性而耗尽我们的精力（或计算机的性能）。

简而言之，ArborEnum 是探索优秀解法景观的一种新方式。它阻止我们将世界强行塞入一个不匹配的网格中，而是让我们行走在那些真实答案往往隐藏其中的平滑、连续的路径上。无论你是一名寻找最佳模型的科学家，还是一个仅仅好奇计算机如何做决定的好奇者，这项工作都表明，世界上存在的优秀答案比我们想象的要多，而我们现在有了更好的方法去寻找它们。