論文の概要: NSR-Boost: A Neuro-Symbolic Residual Boosting Framework for Industrial Legacy Models

• arxiv url: http://arxiv.org/abs/2601.10457v1
• Date: Thu, 15 Jan 2026 14:48:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-16 19:43:19.176477
• Title: NSR-Boost: A Neuro-Symbolic Residual Boosting Framework for Industrial Legacy Models
• Title（参考訳）: NSR-Boost: 産業レガシーモデルのためのニューロシンボリック残留ブースティングフレームワーク
• Authors: Ziming Dai, Dabiao Ma, Jinle Tong, Mengyuan Han, Jian Yang, Haojun Fei,
• Abstract要約: NSR-Boostは、産業シナリオのためのニューロシンボリック残留促進フレームワークである。 レガシーモデルをフリーズモデルとして扱い、予測が失敗する"ハードリージョン"でターゲットの修復を実行する。 本報告では、Qfin Holdingsにおける中核的金融リスク管理システムへの展開の成功について報告する。
• 参考スコア（独自算出の注目度）: 11.033195813779102
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although the Gradient Boosted Decision Trees (GBDTs) dominate industrial tabular applications, upgrading legacy models in high-concurrency production environments still faces prohibitive retraining costs and systemic risks. To address this problem, we present NSR-Boost, a neuro-symbolic residual boosting framework designed specifically for industrial scenarios. Its core advantage lies in being "non-intrusive". It treats the legacy model as a frozen model and performs targeted repairs on "hard regions" where predictions fail. The framework comprises three key stages: first, finding hard regions through residuals, then generating interpretable experts by generating symbolic code structures using Large Language Model (LLM) and fine-tuning parameters using Bayesian optimization, and finally dynamically integrating experts with legacy model output through a lightweight aggregator. We report on the successful deployment of NSR-Boost within the core financial risk control system at Qfin Holdings. This framework not only significantly outperforms state-of-the-art (SOTA) baselines across six public datasets and one private dataset, more importantly, shows excellent performance gains on real-world online data. In conclusion, it effectively captures long-tail risks missed by traditional models and offers a safe, low-cost evolutionary paradigm for industry.
• Abstract（参考訳）: GBDT(Gradient Boosted Decision Trees)が産業用表紙アプリケーションを支配しているが、高コンカレンシー生産環境におけるレガシーモデルのアップグレードは、依然として禁止的な再トレーニングコストとシステム的リスクに直面している。 この問題に対処するために,産業シナリオに特化して設計されたニューロシンボリック残留促進フレームワークであるNSR-Boostを提案する。 主な利点は「非侵入的」である。 レガシーモデルをフリーズモデルとして扱い、予測が失敗する"ハードリージョン"でターゲットの修復を実行する。 フレームワークは3つの重要なステージで構成されている。まず、残留物を通してハードリージョンを見つけ、次にLarge Language Model(LLM)を使用して記号的なコード構造を生成し、ベイズ最適化を使用して微調整パラメータを生成して解釈可能なエキスパートを生成し、最後に、軽量アグリゲータを通じてレガシーモデルの出力とエキスパートを動的に統合する。 我々は、Qfin Holdingsのコア金融リスク管理システムにおけるNSR-Boostの展開の成功について報告する。 このフレームワークは、最先端のSOTA(State-of-the-art)ベースラインを6つのパブリックデータセットと1つのプライベートデータセットで大幅に上回るだけでなく、より重要なのは、実際のオンラインデータのパフォーマンス向上を示すことだ。 結論として、従来のモデルで見逃された長期的リスクを効果的に捉え、業界にとって安全で低コストな進化パラダイムを提供する。

関連論文リスト

• Deep Hierarchical Learning with Nested Subspace Networks [53.71337604556311]
  大規模ニューラルネットワークのためのNested Subspace Networks (NSN)を提案する。 NSNは、単一のモデルを連続した計算予算の範囲で動的かつきめ細かな調整を可能にする。 我々は,NSNを訓練済みのLLMに外科的に適用し,スムーズで予測可能な計算性能フロンティアを解き放つことができることを示した。
  論文  参考訳（メタデータ） (2025-09-22T15:13:14Z)
• CRACI: A Cloud-Native Reference Architecture for the Industrial Compute Continuum [0.0]
  本稿では,産業計算連続体のためのクラウドネイティブな参照アーキテクチャであるCRACIを紹介する。 分離されたイベント駆動モデルを促進し、連続体をまたいだ柔軟な非階層的なデータフローを可能にする。
  論文  参考訳（メタデータ） (2025-09-09T08:24:08Z)
• Abex-rat: Synergizing Abstractive Augmentation and Adversarial Training for Classification of Occupational Accident Reports [5.58730646214246]
  ABEX-RATは、強力な対人訓練で生成データ拡張を相乗化するための新しいフレームワークである。 本研究では,AbeX-RATが新しい最先端性能を実現し,マクロF1スコアが90.32%に達することを示す。
  論文  参考訳（メタデータ） (2025-09-02T08:22:59Z)
• A Mixture of Experts Gating Network for Enhanced Surrogate Modeling in External Aerodynamics [0.28647133890966997]
  Mixture of Experts (MoE) モデルは、3つの異種、最先端の代理モデルの予測を組み合わせる。 システム全体のトレーニングと検証は、自動車空気力学のための高忠実度CFDシミュレーションの大規模でパブリックなベンチマークであるDrivAerMLデータセットで行われている。
  論文  参考訳（メタデータ） (2025-08-28T22:34:10Z)
• Pre-train, Align, and Disentangle: Empowering Sequential Recommendation with Large Language Models [26.331324261505486]
  Sequential Recommendation (SR) は、ユーザの過去のインタラクションにおけるシーケンシャルなパターンを活用して、ユーザの好みを正確に追跡することを目的としている。 大規模言語モデル(LLM)の有効性が証明されているにもかかわらず、商用レコメンデータシステムへの統合は妨げられている。 我々は,LLMを用いたSRモデルを強化するために,新しいPri-train,Align,Disentangle(PAD)フレームワークを導入する。
  論文  参考訳（メタデータ） (2024-12-05T12:17:56Z)
• Complexity-Aware Deep Symbolic Regression with Robust Risk-Seeking Policy Gradients [20.941908494137806]
  本稿では,データ駆動型数式発見の堅牢性と解釈可能性を高めるために,新しい記号回帰手法を提案する。 我々の研究は、データ固有の式生成器の学習に焦点を当てた、一般的なDSRフレームワークと一致しています。
  論文  参考訳（メタデータ） (2024-06-10T19:29:10Z)
• RigorLLM: Resilient Guardrails for Large Language Models against Undesired Content [62.685566387625975]
  現在の緩和戦略は効果はあるものの、敵の攻撃下では弾力性がない。 本稿では,大規模言語モデルのための弾力性ガードレール(RigorLLM)について紹介する。
  論文  参考訳（メタデータ） (2024-03-19T07:25:02Z)
• When Demonstrations Meet Generative World Models: A Maximum Likelihood Framework for Offline Inverse Reinforcement Learning [62.00672284480755]
  本稿では, 専門家エージェントから, 一定の有限個の実演において観測された動作を過小評価する報酬と環境力学の構造を復元することを目的とする。 タスクを実行するための正確な専門知識モデルは、臨床的意思決定や自律運転のような安全に敏感な応用に応用できる。
  論文  参考訳（メタデータ） (2023-02-15T04:14:20Z)
• Linearity Grafting: Relaxed Neuron Pruning Helps Certifiable Robustness [172.61581010141978]
  証明可能な堅牢性は、安全クリティカルなシナリオでディープニューラルネットワーク(DNN)を採用する上で望ましい特性である。 線形性の適切なレベルを「グラフト」することで、神経細胞を戦略的に操作する新しいソリューションを提案する。
  論文  参考訳（メタデータ） (2022-06-15T22:42:29Z)

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。