コンプライアンス対応型の予測プロセスモニタリング：ニューラル・シンボリック手法

arXiv cs.AI / 2026/3/31

💬 オピニオンIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、従来の予測プロセスモニタリング手法はサブシンボリックであり、コンプライアンスに必要なドメインルールを強制できない可能性があると主張している。
そこで、Logic Tensor Networks（LTN）を用いて、明示的なプロセス制約（ルール／論理）を予測モデルへ注入するニューラル・シンボリックの枠組みを提案する。
このアプローチは、4段階のパイプラインとして実装される：特徴抽出、ルール抽出、知識ベース作成、知識注入。
実験の結果、この手法はコンプライアンスを考慮した設定において、ベースラインモデルと比べてコンプライアンス遵守と予測精度の両方を改善することが示されている。

Abstract

予測的プロセスモニタリングの既存手法は、記号非依存（サブシンボリック）です。つまり、記述的特徴と目標となる特徴の相関を、データに基づいて完全に学習します。たとえば、過去の出来事やバイオメトリクスに基づいて患者の手術ニーズを予測するといったものです。しかし、このような手法は、ドメイン固有のプロセス制約（知識）を組み込めません。たとえば、患者が1週間以上前に退院している場合にのみ手術を計画できる、といった制約です。その結果、コンプライアンスへの適合が制限され、予測の精度も低下します。本論文では、予測的プロセスモニタリングのためのニューラル記号論（neuro-symbolic）アプローチを提示します。この手法では、Logic Tensor Networks（LTN）を活用して、プロセス知識を予測モデルへ注入します。提案手法は、4つの主要段階からなる構造化されたパイプラインに従います。1) 特徴抽出、2) ルール抽出、3) 知識ベース作成、4) 知識注入。評価の結果、プロセス制約を学習するだけでなく、ニューラル記号論モデルはより良い性能も達成しており、コンプライアンスを考慮したすべての実験において、ベースライン手法と比べてコンプライアンスが高く、精度も向上していることが示されました。