論文の概要: Modal Logical Neural Networks for Financial AI

• arxiv url: http://arxiv.org/abs/2603.12487v1
• Date: Thu, 12 Mar 2026 22:12:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-16 17:38:11.792257
• Title: Modal Logical Neural Networks for Financial AI
• Title（参考訳）: 金融AIのためのモーダル論理ニューラルネットワーク
• Authors: Antonin Sulc,
• Abstract要約: 深層学習と記号論理の橋渡しとして,モーダル論理ニューラルネットワーク(MLNN)を用いる。 MLNNは、コアコンポーネント、必要ニューロン、学習可能なアクセシビリティをマッピングすることで、ファイナンスのための差別化可能なロジックレイヤ'として記述する。 4つのケーススタディは、MLNNスタイルの制約がトレーディングエージェントのコンプライアンスを促進し、市場監視のための潜在信頼ネットワークの回復を助け、ストレスシナリオ下での堅牢性を促進し、検証された知識と統計的信念を区別し、ロボアドバイザリー幻覚を緩和する方法を示している。
• 参考スコア（独自算出の注目度）: 0.15229257192293197
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The financial industry faces a critical dichotomy in AI adoption: deep learning often delivers strong empirical performance, while symbolic logic offers interpretability and rule adherence expected in regulated settings. We use Modal Logical Neural Networks (MLNNs) as a bridge between these worlds, integrating Kripke semantics into neural architectures to enable differentiable reasoning about necessity, possibility, time, and knowledge. We illustrate MLNNs as a differentiable ``Logic Layer'' for finance by mapping core components, Necessity Neurons ($\Box$) and Learnable Accessibility ($A_θ$), to regulatory guardrails, market stress testing, and collusion detection. Four case studies show how MLNN-style constraints can promote compliance in trading agents, help recover latent trust networks for market surveillance, encourage robustness under stress scenarios, and distinguish statistical belief from verified knowledge to help mitigate robo-advisory hallucinations.
• Abstract（参考訳）: ディープラーニングは多くの場合、強力な経験的パフォーマンスを提供するが、シンボリックロジックは、規制された設定で期待される解釈可能性とルール順守を提供する。 我々は、これらの世界の橋渡しとして、モーダル論理ニューラルネットワーク(MLNN)を使用し、Kripkeセマンティクスをニューラルネットワークに統合し、必要性、可能性、時間、知識に関する異なる推論を可能にする。 MLNNは、コアコンポーネントであるNecessity Neurons(\Box$)とLearningable Accessibility(A_θ$)を、規制ガードレール、市場ストレステスト、コルーシオン検出にマッピングすることで、ファイナンスのための微分可能な ``Logic Layer'' として説明します。 4つのケーススタディは、MLNNスタイルの制約がトレーディングエージェントのコンプライアンスを促進し、市場監視のための潜在信頼ネットワークの回復を助け、ストレスシナリオ下での堅牢性を促進し、検証された知識と統計的信念を区別し、ロボアドバイザリー幻覚を緩和する方法を示している。

関連論文リスト

• Modal Logical Neural Networks [0.15229257192293197]
  本稿では、ディープラーニングとモーダル論理の形式的意味論を統合するニューロシンボリック・フレームワークである、モーダル論理ニューラルネットワーク(MLNN)を提案する。 本稿では,アクセシビリティの強化や学習が,基礎となるタスクアーキテクチャを変更することなく,論理的一貫性と解釈可能性を高める方法を示す。
  論文  参考訳（メタデータ） (2025-12-03T06:38:29Z)
• IQNN-CS: Interpretable Quantum Neural Network for Credit Scoring [2.2133667529581933]
  マルチクラス信用リスク分類のための解釈可能な量子ニューラルネットワークフレームワークであるIQNN-CSを提案する。 ICAAは、予測クラス間で属性のばらつきを定量化し、モデルが信用リスクカテゴリをいかに区別するかを明らかにする新しい計量である。 本結果は、財務意思決定のための透明で説明可能なQMLモデルへの実践的な道のりを浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-10-16T18:02:03Z)
• Exact Certification of (Graph) Neural Networks Against Label Poisoning [50.87615167799367]
  グラフニューラルネットワーク(GNN)におけるラベルフリップの正確な認証手法を提案する。 本稿では,ノード分類タスクにおける広範囲なGNNアーキテクチャの認証に本手法を適用した。 私たちの研究は、ニューラルネットワークによって引き起こされた毒殺攻撃に対する最初の正確な認証を提示します。
  論文  参考訳（メタデータ） (2024-11-30T17:05:12Z)
• A Neuro-Symbolic Approach to Multi-Agent RL for Interpretability and Probabilistic Decision Making [42.503612515214044]
  マルチエージェント強化学習(MARL)は、複数のエージェントが共存し、共有リソースと競合するシステムにおいて、実行時の意思決定に適している。 ディープラーニングベースの一般的なMARLソリューションを実世界の問題に適用することは、解釈可能性、サンプル効率、部分観測可能性などの問題に悩まされる。 本稿では,ニューロシンボリック手法を用いて,意思決定を分散協調的MARLエージェントで処理するイベント駆動型定式化を提案する。
  論文  参考訳（メタデータ） (2024-02-21T00:16:08Z)
• Neural networks can detect model-free static arbitrage strategies [5.639904484784127]
  市場が一部を認めると、ニューラルネットワークがモデルのない静的仲裁の機会を検出できることが示される。 本手法は取引証券数の多い金融市場に適用でき、対応する取引戦略のほぼ即時実行が保証される。
  論文  参考訳（メタデータ） (2023-06-19T17:42:40Z)
• Knowledge Enhanced Neural Networks for relational domains [83.9217787335878]
  我々は、ニューラルネットワークに事前論理的知識を注入するニューラルネットワークアーキテクチャであるKENNに焦点を当てる。 本稿では,関係データに対するKENNの拡張を提案する。
  論文  参考訳（メタデータ） (2022-05-31T13:00:34Z)
• Robustness Certificates for Implicit Neural Networks: A Mixed Monotone Contractive Approach [60.67748036747221]
  暗黙のニューラルネットワークは、競合性能とメモリ消費の削減を提供する。 入力逆流の摂動に関して、それらは不安定なままである。 本稿では,暗黙的ニューラルネットワークのロバスト性検証のための理論的および計算的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-12-10T03:08:55Z)
• Neuro-Symbolic Inductive Logic Programming with Logical Neural Networks [65.23508422635862]
  我々は最近提案された論理ニューラルネットワーク(LNN)を用いた学習規則を提案する。 他のものと比較して、LNNは古典的なブール論理と強く結びついている。 標準ベンチマークタスクの実験では、LNNルールが極めて解釈可能であることを確認した。
  論文  参考訳（メタデータ） (2021-12-06T19:38:30Z)
• Reinforcement Learning with External Knowledge by using Logical Neural Networks [67.46162586940905]
  論理ニューラルネットワーク(LNN)と呼ばれる最近のニューラルシンボリックフレームワークは、ニューラルネットワークとシンボリックロジックの両方のキープロパティを同時に提供することができる。 外部知識ソースからのモデルフリー強化学習を可能にする統合手法を提案する。
  論文  参考訳（メタデータ） (2021-03-03T12:34:59Z)
• Efficient Probabilistic Logic Reasoning with Graph Neural Networks [63.099999467118245]
  マルコフ論理ネットワーク(MLN)は、多くの知識グラフ問題に対処するために用いられる。 MLNの推論は計算集約的であり、MLNの産業規模での応用は非常に困難である。 本稿では,表現力とモデルの単純さとのバランスのよいグラフニューラルネット(GNN)モデルであるExpressGNNを提案する。
  論文  参考訳（メタデータ） (2020-01-29T23:34:36Z)

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。