למידה מונחית (Supervised Learning) היא פרדיגמה בלמידת מכונה בה מודל מתאמן על דוגמאות מתוייגות, במטרה ללמוד פונקציה שתנבא נכון דוגמאות חדשות. אחד מן המודלים השכיחים בלמידה מונחית הוא עץ החלטה – עץ בינארי המבוסס על פיצול הדגימות באופן אופטימלי בכל צומת. ניתן גם לשלב מספר עצי החלטה למודלי למידת אנסמבל (Ensemble Learning), דוגמת יער אקראי (Random Forest) וחיזוק גרדיאנט מבוסס עצים (Gradient Boosting Trees), אך ההיוריסטיקות החמדניות בהן משתמשים לבניית העצים מגבילות את האופטימליות במקרים מסוימים.
מחקר זה מציג שיטת אנסמבל חדשה ללמידה מונחית, המבוססת על עצים הנבנים בתהליך אקראי כמעט לחלוטין. באופן זה, ובשונה מהאלגוריתמים החמדנים הקיימים כיום, מתאפשרים פיצולים שאינם אופטימליים בנקודת זמן מסוימת, אך עשויים להוביל לגיוון רב יותר בעצים ולתרום לאופטימליות כללית של המודל בהמשך. כפי שמראות התוצאות הראשוניות במחקר זה, אלגוריתם זה מציע גישה נוספת לאימון מודלים של למידת מכונה, שעשויה לשפר את איכות ומהירות המודלים הקיימים.