在随机森林算法中，有两个关键的随机过程有助于减少过拟合现象。它们是：

A: 构建决策树输入数据的随机选取
D: 构建决策树所需特征的随机选取

下面是对这两个过程的专业分析：

1. **构建决策树输入数据的随机选取（A）**：
在随机森林中，每棵决策树是通过对原始数据集进行有放回的随机抽样（即Bootstrap抽样）生成的子数据集来构建的。这个过程确保了每棵树都基于不同的样本集，从而增加了模型的多样性。由于每棵树只看到部分数据，模型的整体复杂度降低，减少了过拟合的风险。

2. **构建决策树所需特征的随机选取（D）**：
在构建每个决策树的过程中，随机森林算法会在每个节点分裂时随机选择一个特征子集，而不是使用所有特征。这意味着每个节点的分裂是基于不同的特征集进行的，从而进一步增加了树与树之间的差异性。这种随机性有助于减少单一特征对模型的过度影响，降低过拟合的可能性。

通过这两个随机过程，随机森林能够生成一组多样化的决策树，并通过集成这些树的结果来提高模型的泛化能力，从而有效地减少过拟合现象。