タイムスタンプ付きデータから高次の出来事を推定する：複雑性と医療応用

arXiv cs.AI / 2026/4/25

📰 ニュースIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、タイムスタンプ付きデータと背景知識を組み合わせて、時間的に拡張された高次の出来事（イベント）を検出するための論理ベースの手法を提案している。
単純な時間的イベントの「成立条件」と「終了条件」を論理ルールで表し、それらを組み合わせてメタイベントへ構成する仕組みを示しており、医療領域では診断や薬剤投与などの記録から疾病エピソードや治療を推定する具体例が提示されている。
誤った推定の可能性に対処するため、不整合な出来事の組み合わせを制約で検出し、矛盾しない整合的な出来事集合を選ぶための修復（リペア）メカニズムを提案している。
枠組み全体での推論は困難（非多項式）だが、データ複雑性が多項式時間になることを保証する条件（制約）を導出している。
肺がんユースケースでの評価では計算可能性が示され、さらに医療専門家の見解との整合性も良好である一方、医療以外でも再利用できるよう汎用性を意図している。

Abstract

本論文では、タイムスタンプ付きデータと背景知識から高レベルの、時間的に拡張された事象（temporally extended events）を検出するための新しい論理ベースのアプローチを開発します。本フレームワークでは、単純な時間事象（simple temporal events）についての存在条件および終了条件を捉えるために論理規則を用い、それらをメタ事象（meta-events）へと組み合わせます。例えば医療領域では、疾患エピソードや治療法が、患者記録に保存された診断や薬剤投与といった、タイムスタンプ付きの臨床観察から推論され、さらに上位の疾患事象へと組み合わせることができます。いくつかの誤った事象が推論される可能性があるため、相互に両立しない事象の組み合わせを識別するための制約を用い、望ましい整合的な事象集合を選択する修復メカニズムを提案します。フルのフレームワークにおける推論は計算困難ですが、多項式時間のデータ複雑性を保証する関連する制約を特定します。プロトタイプ・システムは、到達不能集合プログラミング（answer set programming）を用いて、このアプローチの中核コンポーネントを実装しています。肺がんのユースケースに対する評価は、このアプローチへの関心を裏づけます。計算可能性の観点と、結果が医療専門家の見解と良好に一致しているという観点の両方でです。医療分野のニーズに強く動機づけられている一方で、本フレームワークは意図的に汎用的に設計されており、他の領域でも再利用可能です。