ルール刈り込みを伴う2段階ロジック・テンソル・ネットワークによる予測的プロセス監視のためのニューラル・シンボリック学習

要旨: シーケンシャルなイベントデータに対する予測モデリングは、不正検知やヘルスケアのモニタリングにおいて極めて重要です。既存のデータ駆動型アプローチは過去データから相関関係を学習しますが、イベント関係を支配するドメイン固有のシーケンシャル制約や論理ルールを組み込めないため、精度や規制順守の観点で限界があります。例えば、医療手順は特定の順序に従わなければならず、金融取引はコンプライアンス規則に従う必要があります。本研究では、Logic Networks（LTNs）を用いて、差分可能な論理制約としてドメイン知識を統合するニューラル・シンボリック手法を提案します。制御フロー、時間的知識、ペイロード知識を、線形時間論理（Linear Temporal Logic）および一階述語論理によって形式化します。本研究の主要な貢献は、LTNsが論理式を満たすことを優先して予測精度を犠牲にしがちな傾向に対処する二段階の最適化戦略です。このアプローチでは、事前学習（pretraining）中に加重公理損失（weighted axiom loss）を用いてデータ学習を優先し、その後、充足ダイナミクスに基づいて一貫的で寄与する公理のみを保持するルール刈り込み（rule pruning）を行います。4つの実世界のイベントログでの評価により、ドメイン知識の注入が予測性能を大幅に向上させることが示され、二段階最適化が不可欠な知識（これがない場合、知識が性能を著しく悪化させ得る）であることが分かります。本手法は、コンプライアンス制約のある状況で、限られたコンプライアンス順守の学習例しかない場合に特に優れており、データ駆動のみのベースラインと比較して優れた性能を達成しつつ、ドメイン制約の順守を保証します。