論文の概要: Neuro-Symbolic Learning for Predictive Process Monitoring via Two-Stage Logic Tensor Networks with Rule Pruning

• arxiv url: http://arxiv.org/abs/2603.26944v1
• Date: Fri, 27 Mar 2026 19:32:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:44.704108
• Title: Neuro-Symbolic Learning for Predictive Process Monitoring via Two-Stage Logic Tensor Networks with Rule Pruning
• Title（参考訳）: ルールプルーニングを用いた2段階論理テンソルネットワークによる予測プロセスモニタリングのためのニューロ・シンボリック学習
• Authors: Fabrizio De Santis, Gyunam Park, Francesco Zanichelli,
• Abstract要約: 既存のデータ駆動アプローチでは、ドメイン固有のシーケンシャルな制約や、イベント関係を管理する論理的なルールが組み込まれない。 本稿では、論理ネットワーク(LTN)を用いて、ドメイン知識を微分可能な論理的制約として統合するニューロシンボリックアプローチを提案する。 線形時間論理と一階論理を用いて制御フロー,時間,ペイロードの知識を定式化する。
• 参考スコア（独自算出の注目度）: 1.554831836850549
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predictive modeling on sequential event data is critical for fraud detection and healthcare monitoring. Existing data-driven approaches learn correlations from historical data but fail to incorporate domain-specific sequential constraints and logical rules governing event relationships, limiting accuracy and regulatory compliance. For example, healthcare procedures must follow specific sequences, and financial transactions must adhere to compliance rules. We present a neuro-symbolic approach integrating domain knowledge as differentiable logical constraints using Logic Networks (LTNs). We formalize control-flow, temporal, and payload knowledge using Linear Temporal Logic and first-order logic. Our key contribution is a two-stage optimization strategy addressing LTNs' tendency to satisfy logical formulas at the expense of predictive accuracy. The approach uses weighted axiom loss during pretraining to prioritize data learning, followed by rule pruning that retains only consistent, contributive axioms based on satisfaction dynamics. Evaluation on four real-world event logs shows that domain knowledge injection significantly improves predictive performance, with the two-stage optimization proving essential knowledge (without it, knowledge can severely degrade performance). The approach excels particularly in compliance-constrained scenarios with limited compliant training examples, achieving superior performance compared to purely data-driven baselines while ensuring adherence to domain constraints.
• Abstract（参考訳）: シーケンシャルなイベントデータの予測モデリングは、不正検出と医療監視に不可欠である。 既存のデータ駆動アプローチは、過去のデータから相関関係を学習するが、ドメイン固有のシーケンシャルな制約と、イベントリレーションを管理し、正確性と規制コンプライアンスを制限する論理的なルールを組み込むことができない。 例えば、医療手続きは特定のシーケンスに従う必要があり、金融取引はコンプライアンスルールに従う必要がある。 本稿では、論理ネットワーク(LTN)を用いて、ドメイン知識を微分可能な論理的制約として統合するニューロシンボリックアプローチを提案する。 線形時間論理と一階論理を用いて制御フロー,時間,ペイロードの知識を定式化する。 我々の重要な貢献は、予測精度を犠牲にして論理式を満足するLTNの傾向に対処する2段階最適化戦略である。 このアプローチでは、事前学習中に重み付けされた公理損失を使用してデータ学習を優先順位付けし、続いて満足度ダイナミクスに基づいた一貫した帰納的公理のみを保持するルールプルーニングを行う。 4つの実世界のイベントログを評価すると、ドメインの知識注入は予測性能を大幅に改善し、2段階の最適化によって重要な知識が証明される(それなしでは、知識はパフォーマンスを著しく低下させる)。 ドメイン制約の遵守を確保しつつ、純粋にデータ駆動のベースラインよりも優れたパフォーマンスを実現している。

関連論文リスト

• Pushing LLMs to Their Logical Reasoning Bound: The Role of Data Reasoning Intensity [59.27594125465172]
  データ推論強度 (Data Reasoning Intensity, DRI) は, サンプルの潜在論理的推論複雑性を定量化する新しい指標である。 次に、学習データの論理的推論強度を体系的に強化する再認識最適化戦略を導入する。
  論文  参考訳（メタデータ） (2025-09-29T14:20:04Z)
• RationAnomaly: Log Anomaly Detection with Rationality via Chain-of-Thought and Reinforcement Learning [27.235259453535537]
  RationAnomalyは、Chain-of-Thoughtファインチューニングと強化学習を相乗化することにより、ログの異常検出を強化する新しいフレームワークである。 コードとデータセットを含む、対応するリソースをリリースしました。
  論文  参考訳（メタデータ） (2025-09-18T07:35:58Z)
• Neuro-Symbolic Predictive Process Monitoring [7.295472411867107]
  本稿では,データ駆動学習と時間論理に基づく事前知識を統合したニューロシンボリック予測プロセスモニタリング(PPM)手法を提案する。 本稿では,有限トレース(LTLf)上の線形時間論理を自己回帰列予測器のトレーニングプロセスに組み込む新しい手法を提案する。 実世界の3つのデータセットを実験的に評価したところ,本手法は接尾辞予測精度と時間的制約の遵守を改善した。
  論文  参考訳（メタデータ） (2025-08-31T13:07:17Z)
• Rethinking Resource Management in Edge Learning: A Joint Pre-training and Fine-tuning Design Paradigm [87.47506806135746]
  一部のアプリケーションでは、エッジラーニングは、スクラッチから新しい2段階ラーニングへと焦点を移している。 本稿では,2段階のエッジ学習システムにおける共同コミュニケーションと計算資源管理の問題について考察する。 事前学習および微調整段階に対する共同資源管理の提案は,システム性能のトレードオフをうまくバランスさせることが示されている。
  論文  参考訳（メタデータ） (2024-04-01T00:21:11Z)
• A Study on Differentiable Logic and LLMs for EPIC-KITCHENS-100 Unsupervised Domain Adaptation Challenge for Action Recognition 2023 [23.323548254515494]
  本研究では,EPIC-KITCHENS-100 Unsupervised Domain Adaptation task for Action Recognitionについて検討した。 本研究は,動詞と名詞の共起関係を生かした学習における相異なる論理損失の革新的応用に焦点を当てた。 我々の最終提出(NS-LLM')は、トップ1アクション認識の精度で第1位を獲得しました。
  論文  参考訳（メタデータ） (2023-07-13T05:54:05Z)
• MERIt: Meta-Path Guided Contrastive Learning for Logical Reasoning [63.50909998372667]
  テキストの論理的ReasonIngに対して,Metaパスを用いたコントラスト学習手法であるMERItを提案する。 2つの新しい戦略が我々の手法の必須要素である。
  論文  参考訳（メタデータ） (2022-03-01T11:13:00Z)
• 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)
• Domain Knowledge Empowered Structured Neural Net for End-to-End Event Temporal Relation Extraction [44.95973272921582]
  本稿では,確率的ドメイン知識によって構築された分布制約を持つディープニューラルネットワークを強化するフレームワークを提案する。 ラグランジアン緩和(Lagrangian Relaxation)により制約付き推論問題を解き、終端事象の時間的関係抽出タスクに適用する。
  論文  参考訳（メタデータ） (2020-09-15T22:20:27Z)

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。