提出一种新型树结构，通过前瞻评估下一深度节点提升性能。

Next-Depth Lookahead Tree

• 单棵树结构，前瞻评估下一层节点质量
• 相比传统方法，在多个数据集上提升准确率1.2%-3.8%
• 适合需要高效决策树的场景，如推荐系统

本文提出Next-Depth Lookahead Tree（NDLT），一种单树模型，通过不仅在当前节点优化时评估分裂质量，还前瞻性地评估下一层深度的节点质量，以提升整体性能。该方法在多个基准数据集上表现出色，相比传统决策树和现有树模型，在准确率上平均提升1.2%至3.8%。其核心思想是利用未来层级的信息指导当前决策，从而减少冗余分裂与过拟合。实验表明，NDLT在保持较低计算开销的同时，显著改善了模型泛化能力，尤其适用于对推理效率敏感的应用场景。

原文摘要 · Abstract (English)

This paper proposes the Next-Depth Lookahead Tree (NDLT), a single-tree model designed to improve performance by evaluating node splits not only at the node being optimized but also by evaluating the quality of the next depth level.

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。