최근의 연구들은 개별 결정 트리 (decision trees)를 분할 (splits)과 관련된 엔지니어링된 특징 (engineered features) 상의 선형 모델 (linear models)로 재구성하여, 오라클 부등식 (oracle inequalities)과 특징 중요도 (feature-importance) 재해석을 위한 경로를 열었으나, 특징 맵 (feature map)을 분할이 아닌 노드 (nodes)로 인덱싱할 때 숲 (forest)이 어떤 통합된 기하학적 객체를 유도하는지에 대한 질문은 여전히 남아 있습니다. 본 논문은 해당 객체를 연구합니다. KPP는 특징 맵을 숲의 노드로 인덱싱하며, 각 좌표를 제곱 유클리드 경로 등거리 임베딩 (squared-Euclidean path-isometric embedding)의 구성 요소로 변환하는 경로 메트릭 (path metric)에 의해 가중치를 부여합니다. KPP는 메트릭을 전달하는 단일 비대각 그람 행렬 (non-diagonal Gram) 아래 네 가지 기둥을 통합합니다: 예측 (prediction), 정확한 가산적 기여도 (exact additive attribution), KPP 메트릭에서의 결정론적 립시츠 강건 반경 (deterministic Lipschitz robust radius), 그리고 고정된 (fixed), 정직한 (honest), 또는 교차 적합 (cross-fit) 조건 하에서의 회귀 (regression) 및 분류 (classification)를 위한 균등 라데마허 리스크 경계 (uniform Rademacher risk bounds)입니다. 모든 확률적 보장 (probabilistic guarantees)은 해당 표현에 조건부이며 세 가지 명시적인 조건부 체계 하에 기술됩니다; 강건 반경 (robust-radius) 보장은 원시 입력 (raw input) 상의 노름 (norm)이 아닌 KPP 메트릭에서 결정론적입니다. 회귀와 분류 모두에 대한 빠른 속도 개선 (fast-rate refinements)에 대한 추측은 미해결 문제로 기술되었으며 정리 (theorems)로 주장되지 않았습니다.