論文の概要: Neuro-Symbolic Process Anomaly Detection

• arxiv url: http://arxiv.org/abs/2603.26461v2
• Date: Wed, 01 Apr 2026 08:56:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:31.593269
• Title: Neuro-Symbolic Process Anomaly Detection
• Title（参考訳）: ニューロシンボリックプロセス異常検出
• Authors: Devashish Gaikwad, Wil M. P. van der Aalst, Gyunam Park,
• Abstract要約: 本稿では、ドメイン知識を神経異常検出に統合するニューロシンボリックアプローチを提案する。 我々は,Declare制約を学習プロセス内のソフト論理的ガイドレールとして符号化し,異常な動作と稀だが整合性のある動作を区別する。 提案手法は10個の適合トレースが存在する場合でもF1スコアを改善する。
• 参考スコア（独自算出の注目度）: 2.8547732086436306
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Process anomaly detection is an important application of process mining for identifying deviations from the normal behavior of a process. Neural network-based methods have recently been applied to this task, learning directly from event logs without requiring a predefined process model. However, since anomaly detection is a purely statistical task, these models fail to incorporate human domain knowledge. As a result, rare but conformant traces are often misclassified as anomalies due to their low frequency, which limits the effectiveness of the detection process. Recent developments in the field of neuro-symbolic AI have introduced Logic Tensor Networks (LTN) as a means to integrate symbolic knowledge into neural networks using real-valued logic. In this work, we propose a neuro-symbolic approach that integrates domain knowledge into neural anomaly detection using LTN and Declare constraints. Using autoencoder models as a foundation, we encode Declare constraints as soft logical guiderails within the learning process to distinguish between anomalous and rare but conformant behavior. Evaluations on synthetic and real-world datasets demonstrate that our approach improves F1 scores even when as few as 10 conformant traces exist, and that the choice of Declare constraint and by extension human domain knowledge significantly influences performance gains.
• Abstract（参考訳）: プロセス異常検出はプロセスの正常な振る舞いから逸脱を特定するためのプロセスマイニングの重要な応用である。 ニューラルネットワークベースの手法が最近このタスクに適用され、事前に定義されたプロセスモデルを必要としないイベントログから直接学習されている。 しかし、異常検出は純粋に統計的タスクであるため、これらのモデルは人間のドメイン知識を組み込むことができない。 その結果、まれだが適合性の痕跡は、検出プロセスの有効性を制限する低周波のため、しばしば異常として誤分類される。 ニューロシンボリックAIの分野における最近の進歩は、実数値論理を用いて記号的知識をニューラルネットワークに統合する手段として、Logic Tensor Networks (LTN)を導入している。 本研究では,ドメイン知識をLTNとDeclare制約を用いた神経異常検出に統合するニューロシンボリックアプローチを提案する。 オートエンコーダモデルを基礎として,Declare制約を学習プロセス内のソフト論理的ガイドレールとして符号化し,異常な動作と不規則な動作を区別する。 合成および実世界のデータセットを用いた評価では,10個の整合トレースが存在する場合でもF1スコアが向上し,Declare制約の選択や人間のドメイン知識の拡張が性能向上に大きく影響していることが示されている。

関連論文リスト

• Explainable Online Unsupervised Anomaly Detection for Cyber-Physical Systems via Causal Discovery from Time Series [1.223779595809275]
  ニューラルネットワークによるディープラーニングに基づく最先端のアプローチは、異常認識において優れたパフォーマンスを達成する。 本手法はトレーニング効率が向上し,最先端のニューラルネットワークアーキテクチャの精度に優れることを示す。
  論文  参考訳（メタデータ） (2024-04-15T15:42:12Z)
• Injecting Logical Constraints into Neural Networks via Straight-Through Estimators [5.6613898352023515]
  ニューラルネットワーク学習に離散的な論理的制約を注入することは、ニューロシンボリックAIにおける大きな課題の1つだ。 ニューラルネットワークの学習に論理的制約を組み込むために、バイナリニューラルネットワークをトレーニングするために導入されたストレートスルー推定器が効果的に適用できることがわかった。
  論文  参考訳（メタデータ） (2023-07-10T05:12:05Z)
• Neuro-symbolic model for cantilever beams damage detection [0.0]
  本稿では,新しい認知アーキテクチャに基づくカンチレバービームの損傷検出のためのニューロシンボリックモデルを提案する。 ハイブリッド識別モデルはLogic Convolutional Neural Regressorという名称で導入されている。
  論文  参考訳（メタデータ） (2023-05-04T13:12:39Z)
• Neural Abstractions [72.42530499990028]
  本稿では,ニューラルネットワークを用いた非線形力学モデルの安全性検証手法を提案する。 提案手法は,既存のベンチマーク非線形モデルにおいて,成熟度の高いFlow*と同等に動作することを示す。
  論文  参考訳（メタデータ） (2023-01-27T12:38:09Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• A Vision Inspired Neural Network for Unsupervised Anomaly Detection in Unordered Data [0.0]
  教師なし機械学習の分野における根本的な問題は、まれで異常な関心の観測に対応する異常の検出である。 本研究は、知覚アルゴリズムが用いたアプローチと、神経生理学と計算神経科学におけるこれまでの数十年の研究の間に重要な、実践的なつながりを確立することを目的とする。 このアルゴリズムは、予期せぬ観察を異常として信号する学習を行う教師なしニューラルネットワークのカーネルを形成するニューロンモデルとして概念化されている。
  論文  参考訳（メタデータ） (2022-05-13T15:50:57Z)

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。