확률적 분기와 잎
내부 노드는 학습한 필터와 편향으로 오른쪽 분기의 확률을 계산한다. 각 잎에는 학습한 클래스 분포가 있고 입력별 경로 확률로 잎에 도달할 가능성을 나타낸다.
신경망의 지식 전달
학습한 신경망의 예측과 실제 표지를 결합한 부드러운 목표로 트리를 학습한다. 원 연구는 직접 표지로만 학습한 트리보다 일반화가 나아질 수 있음을 조사했다.
설명의 선택
가장 높은 경로 확률의 잎을 택하면 그 경로의 필터와 분기 결정으로 예측을 설명할 수 있다. 모든 잎의 분포를 경로 확률로 평균하면 설명에 필요한 노드가 늘어나므로 정확도와 설명 복잡성의 절충이 생긴다.