論文の概要: Compliance-Aware Predictive Process Monitoring: A Neuro-Symbolic Approach

• arxiv url: http://arxiv.org/abs/2603.26948v1
• Date: Fri, 27 Mar 2026 19:37:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:44.706451
• Title: Compliance-Aware Predictive Process Monitoring: A Neuro-Symbolic Approach
• Title（参考訳）: コンプライアンスを意識した予測プロセス監視:ニューロシンボリックアプローチ
• Authors: Fabrizio De Santis, Gyunam Park, Wil M. P. van der Aalst,
• Abstract要約: 本稿では,予測モデルにプロセス知識を注入するために,論理ネットワーク(LTN)を活用する,予測プロセス監視のためのニューラルシンボリックアプローチを提案する。 本評価は, プロセス制約の学習に加えて, ニューロシンボリックモデルも優れた性能を示し, コンプライアンスの向上と, ベースラインアプローチと比較して精度の向上を実現していることを示す。
• 参考スコア（独自算出の注目度）: 2.8547732086436306
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing approaches for predictive process monitoring are sub-symbolic, meaning that they learn correlations between descriptive features and a target feature fully based on data, e.g., predicting the surgical needs of a patient based on historical events and biometrics. However, such approaches fail to incorporate domain-specific process constraints (knowledge), e.g., surgery can only be planned if the patient was released more than a week ago, limiting the adherence to compliance and providing less accurate predictions. In this paper, we present a neuro-symbolic approach for predictive process monitoring, leveraging Logic Tensor Networks (LTNs) to inject process knowledge into predictive models. The proposed approach follows a structured pipeline consisting of four key stages: 1) feature extraction; 2) rule extraction; 3) knowledge base creation; and 4) knowledge injection. Our evaluation shows that, in addition to learning the process constraints, the neuro-symbolic model also achieves better performance, demonstrating higher compliance and improved accuracy compared to baseline approaches across all compliance-aware experiments.
• Abstract（参考訳）: 既存の予測プロセスモニタリングのアプローチはサブシンボリックであり、歴史的事象や生体計測に基づいて患者の外科的ニーズを予測するデータに基づいて、記述的特徴と対象特徴の相関関係を学習することを意味する。 しかし、そのようなアプローチでは、ドメイン固有のプロセス制約(知識)を組み込むことができず、例えば、患者が1週間以上前に解放された場合にのみ手術を計画できる。 本稿では,予測モデルにプロセス知識を注入するために論理テンソルネットワーク(LTN)を活用する,予測プロセス監視のためのニューラルシンボリックアプローチを提案する。 提案手法は,4つの重要な段階からなる構造化パイプラインに従う。 1) 特徴抽出 2) 規則抽出 3)知識ベース作成,及び 4)知識注入。 本評価は, プロセス制約の学習に加えて, ニューロシンボリックモデルにより, より優れた性能を実現し, コンプライアンスを向上し, 精度を向上することを示した。

関連論文リスト

• A systematic evaluation of uncertainty quantification techniques in deep learning: a case study in photoplethysmography signal analysis [1.6690512882610855]
  ディープラーニングモデルは、臨床外の生理的パラメータを継続的に監視するために使用することができる。 実践的な測定シナリオに配備された場合、パフォーマンスが悪くなるリスクがあり、負の患者結果につながる。 ここでは、2つの臨床関連予測タスクで訓練されたモデルに対して、8つの不確実性(UQ)技術を実装する。
  論文  参考訳（メタデータ） (2025-10-31T22:54:13Z)
• An Orthogonal Learner for Individualized Outcomes in Markov Decision Processes [55.93922317950527]
  DRQ-learnerと呼ばれる新しいメタラーナーを開発した。 DRQ-learnerは離散状態空間と連続状態空間の両方の設定に適用できます。
  論文  参考訳（メタデータ） (2025-09-30T15:49:29Z)
• 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)
• Deep Learning-based Prediction of Clinical Trial Enrollment with Uncertainty Estimates [0.43865042264488946]
  患者登録の正確な予測は、試験の成功の重要な要因であり、計画段階における主要な課題の1つである。 本稿では,この重要な課題に対処する新しい深層学習手法を提案する。 提案手法は, 臨床治験において, 多数の施設に入院した患者数を効果的に予測できることを示す。
  論文  参考訳（メタデータ） (2025-07-31T14:47:16Z)
• Parameterized Diffusion Optimization enabled Autoregressive Ordinal Regression for Diabetic Retinopathy Grading [53.11883409422728]
  本研究は, AOR-DRと呼ばれる新しい自己回帰的順序回帰法を提案する。 我々は,糖尿病網膜症分類タスクを,前ステップの予測と抽出画像の特徴を融合させることにより,一連の順序段階に分解する。 拡散過程を利用して条件付き確率モデリングを行い、連続的グローバルな画像特徴を自己回帰に利用できるようにする。
  論文  参考訳（メタデータ） (2025-07-07T13:22:35Z)
• An Interpretable Transformer-Based Foundation Model for Cross-Procedural Skill Assessment Using Raw fNIRS Signals [0.0]
  本稿では,FNIRS信号の最小処理に基づく解釈可能なトランスフォーマーベース基礎モデルを提案する。 このモデルは全てのタスクにおいて88%以上の分類精度を達成し、マシューズ相関係数はETIで0.91を超える。 これは、30個未満のラベル付きサンプルと軽量(2kパラメータ未満)アダプターモジュールを使用する新しい緊急気道手順に一般化する。
  論文  参考訳（メタデータ） (2025-06-21T18:30:58Z)
• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
  時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである* Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。 Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
  論文  参考訳（メタデータ） (2023-10-28T12:08:03Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)

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。