論文の概要: What Comes Next and Why: Interpretable Next-Event Prediction with Neuro-Symbolic Rules

• arxiv url: http://arxiv.org/abs/2610.31114v1
• Date: Thu, 22 Oct 2026 11:27:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.339783
• Title: What Comes Next and Why: Interpretable Next-Event Prediction with Neuro-Symbolic Rules
• Title（参考訳）: 次となぜ起こるのか:ニューロ・シンボリック・ルールによる次の事象予測の解釈
• Abstract要約: データから直接シーケンシャルルールを学習するニューロシンボリックモデルであるRULESを紹介する。 そして、それを残留ネットワークと組み合わせてRUNES(Rule Network for Event Sequences)を形成する。
• 参考スコア（独自算出の注目度）: 36.144378268238334
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In real-world applications, being able to explain why a prediction is made is often as important - if not more so - than achieving high accuracy. However, existing methods for sequential event prediction typically prioritize accuracy at the expense of interpretability. Neuro-symbolic approaches offer a promising direction to improve interpretability by learning symbolic rules, but extending them to next-event prediction is challenging due to the presence of temporal dependencies. We introduce RULES, a neuro-symbolic model that learns sequential rules directly from data, and combine it with a residual network to form RUNES (Rule Network for Event Sequences). RULES accurately recovers ground truth rules from synthetic data and discovers compact, interpretable rule sets on real data. RUNES combines these rules additively with a residual network, achieving competitive accuracy while providing transparent access to active rules and how residuals adjust predictions.
• Abstract（参考訳）: 現実世界のアプリケーションでは、予測を行う理由を説明することは、高い精度を達成することと同じくらい重要である。 しかし、シーケンシャルなイベント予測のための既存の手法は、解釈可能性の犠牲で精度を優先するのが一般的である。 ニューロシンボリックアプローチは、シンボリックルールを学習することで解釈可能性を改善するための有望な方向を提供するが、時間的依存が存在するため、それらを次の領域に拡張することは困難である。 データから直接逐次ルールを学習するニューロシンボリックモデルであるRULESを導入し、それを残余ネットワークと組み合わせてRUNES(Rule Network for Event Sequences)を形成する。 RULESは、合成データから基底真理規則を正確に回復し、実データ上のコンパクトで解釈可能な規則セットを発見する。 RUNESはこれらのルールを付加的に残差ネットワークと組み合わせて、アクティブなルールへの透過的なアクセスと、残差が予測を調整する方法を提供しながら、競争精度を達成する。

関連論文リスト

• LiFTER: A Grounded Neuro-Symbolic Microscope for Continuous-Time Dynamic Graph Forecasting [0.0]
  連続時間動的グラフモデルは、過去の相互作用をニューラルステートに圧縮することで将来のリンクを予測する。 LiFTERは、観測された相互作用を時間的事実として保存する神経共生予測器である。 LiFTERは、競合する歴史的負の予測を達成し、c-カレンシーと削除忠実度が最も高いマクロ説明を行う。
  論文  参考訳（メタデータ） (2026-08-07T03:39:09Z)
• Neuro-Symbolic Learning for Predictive Process Monitoring via Two-Stage Logic Tensor Networks with Rule Pruning [1.554831836850549]
  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。
  論文  参考訳（メタデータ） (2026-03-27T19:32:49Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Topology-Aware Conformal Prediction for Stream Networks [68.02503121089633]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)
• Relational Conformal Prediction for Correlated Time Series [56.59852921638328]
  時系列における不確実性定量化の問題を相関配列を利用して解決する。 共形予測フレームワークと量子レグレッションに基づく分布自由な新しい手法を提案する。 我々の手法は正確なカバレッジを提供し、関連するベンチマークで最先端の不確実性定量化を実現する。
  論文  参考訳（メタデータ） (2025-02-13T16:12:17Z)
• RuleFuser: An Evidential Bayes Approach for Rule Injection in Imitation Learned Planners and Predictors for Robustness under Distribution Shifts [20.405998427564764]
  RuleFuserは、ILプランナーと古典的なルールベースのプランナーを組み合わせることで、両方の相補的な利点を引き出す。 我々のアプローチは現実世界のnuPlanデータセットでテストされ、ILプランナよりも平均38.43%の安全性向上を実現しています。
  論文  参考訳（メタデータ） (2024-05-18T01:49:16Z)
• Conformal inference is (almost) free for neural networks trained with early stopping [1.2891210250935146]
  ホールドアウトデータに基づく早期停止は、ニューラルネットワークの過度な適合を緩和し、予測精度を高めるために設計された一般的な正規化技術である。 本稿では, 早期停止とコンフォメーションキャリブレーションを併用し, 同じ保持データを効率よく再利用する手法を提案する。
  論文  参考訳（メタデータ） (2023-01-27T06:43:07Z)

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。