論文の概要: Probabilistic Neuro-Symbolic Reasoning for Sparse Historical Data: A Framework Integrating Bayesian Inference, Causal Models, and Game-Theoretic Allocation

• arxiv url: http://arxiv.org/abs/2512.01723v1
• Date: Mon, 01 Dec 2025 14:35:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.895535
• Title: Probabilistic Neuro-Symbolic Reasoning for Sparse Historical Data: A Framework Integrating Bayesian Inference, Causal Models, and Game-Theoretic Allocation
• Title（参考訳）: まばらな歴史データに対する確率論的ニューロシンボリック推論:ベイズ推論、因果モデル、ゲーム理論アロケーションを統合したフレームワーク
• Authors: Saba Kublashvili,
• Abstract要約: 歴史的事象をモデル化するための確率論的ニューロシンボリック・フレームワークである HistoricalML を提示する。 我々は、19世紀のアフリカ分割と第二次ポエニ戦争という2つの歴史的ケーススタディの枠組みをインスタンス化する。 我々のモデルは、ドイツの+107.9%の不一致を、第一次世界大戦前の定量的構造的緊張とみなしている。 ポエニ戦争ではモンテカルロの戦闘シミュレーションがカンナエでのカルタゴの57.3%、ザマでのローマの57.8%の勝利率を達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modeling historical events poses fundamental challenges for machine learning: extreme data scarcity (N << 100), heterogeneous and noisy measurements, missing counterfactuals, and the requirement for human interpretable explanations. We present HistoricalML, a probabilistic neuro-symbolic framework that addresses these challenges through principled integration of (1) Bayesian uncertainty quantification to separate epistemic from aleatoric uncertainty, (2) structural causal models for counterfactual reasoning under confounding, (3) cooperative game theory (Shapley values) for fair allocation modeling, and (4) attention based neural architectures for context dependent factor weighting. We provide theoretical analysis showing that our approach achieves consistent estimation in the sparse data regime when strong priors from domain knowledge are available, and that Shapley based allocation satisfies axiomatic fairness guarantees that pure regression approaches cannot provide. We instantiate the framework on two historical case studies: the 19th century partition of Africa (N = 7 colonial powers) and the Second Punic War (N = 2 factions). Our model identifies Germany's +107.9 percent discrepancy as a quantifiable structural tension preceding World War I, with tension factor 36.43 and 0.79 naval arms race correlation. For the Punic Wars, Monte Carlo battle simulations achieve a 57.3 percent win probability for Carthage at Cannae and 57.8 percent for Rome at Zama, aligning with historical outcomes. Counterfactual analysis reveals that Carthaginian political support (support score 6.4 vs Napoleon's 7.1), rather than military capability, was the decisive factor.
• Abstract（参考訳）: 歴史的事象のモデル化は、極端なデータ不足(N<<<100>)、不均一でノイズの多い測定、反事実の欠如、人間の解釈可能な説明の要求など、機械学習の基本的な課題を提起する。 本稿は,(1)ベイズ的不確実性の定量化とアレタリック不確実性の分離,(2)反現実的推論のための構造因果モデル,(3)フェアアロケーションモデリングのための協調ゲーム理論(共有値),(4)コンテキスト依存因子重み付けのための注意に基づくニューラルアーキテクチャを用いて,これらの課題に対処する確率論的ニューラルシンボリック・フレームワークを提案する。 提案手法は,ドメイン知識から強い事前知識が得られれば,スパースデータ構造において一貫した推定を達成できることを示す理論解析であり,Shapleyに基づくアロケーションは,純粋な回帰アプローチでは提供できないという公理的公正性を保証する。 我々は、19世紀のアフリカ分割(N = 7植民地勢力)と第二次ポエニ戦争(N = 2派閥)という2つの歴史的ケーススタディの枠組みをインスタンス化する。 我々のモデルは、ドイツの+107.9%の不一致を、第1次世界大戦前の定量的な構造的緊張とみなし、緊張係数36.43と0.79の海軍兵器レース相関を持つ。 ポエニ戦争ではモンテカルロの戦闘シミュレーションがカンナエのカルタゴの57.3%、ザマのローマの57.8%の勝利率を達成した。 分析の結果、軍事能力よりもカルタゴの政治的支援(ナポレオンの7.1に対して6.4の支持)が決定的な要因であったことが判明した。

関連論文リスト

• Catch Me If You Can: How Smaller Reasoning Models Pretend to Reason with Mathematical Fidelity [15.774418410083515]
  表面パターンマッチングと実際の数学的推論を区別する診断フレームワークを提案する。 我々は表面性能と推論忠実度の間に顕著な不一致を明らかにした。 私たちの診断では、従来の精度メトリクスには見えない推論の失敗を明らかにします。
  論文  参考訳（メタデータ） (2025-11-29T16:47:01Z)
• Estimating Interventional Distributions with Uncertain Causal Graphs through Meta-Learning [26.3914014514629]
  生物学から社会科学まで、科学分野では、多くの疑問がテキスト化されます。 モデル平均因果推定変換器ニューラルプロセス(MACE-TNP)を用いたメタラーニングによるエンドツーエンドモデルの構築を提案する。 我々の研究は、複雑なベイズ因果推論を近似するフレキシブルでスケーラブルなパラダイムとしてメタラーニングを確立している。
  論文  参考訳（メタデータ） (2025-07-07T22:48:32Z)
• Next-Generation Conflict Forecasting: Unleashing Predictive Patterns through Spatiotemporal Learning [0.0]
  本研究では、3つの異なるタイプの暴力を事前に36ヶ月予測するためのニューラルネットワークアーキテクチャを提案する。 このモデルは確率的分類と回帰タスクを共同で実行し、将来の事象の予測と予測等級を生成する。 警告システム、人道的対応計画、証拠に基づく平和構築イニシアチブのための有望なツールである。
  論文  参考訳（メタデータ） (2025-06-08T20:42:29Z)
• CausalDiff: Causality-Inspired Disentanglement via Diffusion Model for Adversarial Defense [61.78357530675446]
  人間は、本質的な要因のみに基づいて判断するので、微妙な操作によって騙されるのは難しい。 この観察に触発されて、本質的なラベル因果因子を用いたラベル生成をモデル化し、ラベル非因果因子を組み込んでデータ生成を支援する。 逆の例では、摂動を非因果因子として識別し、ラベル因果因子のみに基づいて予測することを目的としている。
  論文  参考訳（メタデータ） (2024-10-30T15:06:44Z)
• An Ordinal Latent Variable Model of Conflict Intensity [59.49424978353101]
  ゴールドスタインスケール(Goldstein scale)は、紛争・協力的なスケールでイベントをスコアする、広く使われている専門家ベースの尺度である。 本稿では、競合強度を測定するために、潜伏変数に基づくアプローチをとる。
  論文  参考訳（メタデータ） (2022-10-08T08:59:17Z)
• Spatio-temporal extreme event modeling of terror insurgencies [0.7874708385247353]
  本稿では,不均一な強度をトリガー関数として記述した攻撃に対する自己励振モデルを提案する。 このモデルのパラメータを推定することにより、攻撃が起こる可能性のある特定の時空領域に焦点を当てる。 我々は,2019-2021年の攻撃の強さを予測できることを示す。
  論文  参考訳（メタデータ） (2021-10-15T20:50:24Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。