Xgboost: Existe alguma maneira de traduzir os modelos XGBoost para os Weka para obter um melhor desempenho na inferência

Oi,
Existe alguma maneira de traduzir modelos XGBoost para modelos Weka?

Eu tenho um problema estranho com a eficiência dos modelos xgboost no momento da inferência.

Eu defino o número de rodadas / árvores em 1, a profundidade das árvores em 108 e estou usando o jvm-package para um problema de classificação de várias classes.

A previsão de 6.000 instâncias com árvores XGBoost ao criar instâncias uma a uma, incluindo a criação de DMatrix e inferência / predição, leva 380 ms.
(excluindo a criação de DMatrix, leva 180 ms).

// creating a DMatrix with one row and the numberOfFeatures
// columns
double startTime = System.nanoTime();
DMatrix testInstance = new DMatrix(testingInstance, 1, numberOfFeatures, 9999F);
// predict just one instance
float[][] predicts = booster.predict(testInstance);
predictionTime += (System.nanoTime() - startTime) / 1e6;

No entanto, quando eu prevejo / deduzo usando florestas aleatórias Weka, leva apenas 30 ms.

Para o número de rodadas (árvores) = 50, as florestas aleatórias WEKA prevêem 6.000 instâncias em 922 ms e as árvores XGBoost as prevêem em 3429 ms.

O problema é que a precisão das árvores XGBoost são muito melhores do que as florestas aleatórias. No entanto, o tempo de inferência também é muito importante no meu caso.

Então, há como converter modelos XGBoost em modelos WEKA ?!
Ou você tem ideia de como posso fazer previsões mais rápidas ?! O problema de eficiência é devido à chamada de bibliotecas nativas do código-fonte Java?

Obrigado.