Resumen: El modelado predictivo sobre datos de eventos secuenciales es fundamental para la detección de fraude y el monitoreo de la atención médica. Los enfoques basados en datos existentes aprenden correlaciones a partir de datos históricos, pero no incorporan restricciones secuenciales específicas del dominio ni reglas lógicas que gobiernen las relaciones de eventos, lo que limita la precisión y el cumplimiento normativo. Por ejemplo, los procedimientos sanitarios deben seguir secuencias específicas y las transacciones financieras deben cumplir normas de cumplimiento. Presentamos un enfoque neurosimbólico que integra el conocimiento del dominio como restricciones lógicas diferenciables utilizando redes lógicas (LTN). Formalizamos el conocimiento del flujo de control, temporal y de carga útil utilizando lógica temporal lineal y lógica de primer orden. Nuestra contribución clave es una estrategia de optimización de dos etapas que aborda la tendencia de los LTN a satisfacer fórmulas lógicas a expensas de la precisión predictiva. El enfoque utiliza la pérdida ponderada de axiomas durante el entrenamiento previo para priorizar el aprendizaje de datos, seguida de una poda de reglas que retiene solo axiomas consistentes y contributivos basados en la dinámica de satisfacción. La evaluación de cuatro registros de eventos del mundo real muestra que la inyección de conocimiento del dominio mejora significativamente el rendimiento predictivo, y la optimización en dos etapas demuestra que es un conocimiento esencial (sin él, el conocimiento puede degradar gravemente el rendimiento). El enfoque sobresale particularmente en escenarios de cumplimiento restringido con ejemplos de capacitación de cumplimiento limitados, logrando un rendimiento superior en comparación con líneas de base puramente basadas en datos, al tiempo que garantiza el cumplimiento de las restricciones del dominio.
Publicado originalmente en export.arxiv.org el 30 de marzo de 2026.
Ver fuente original
