基于两阶段逻辑张量网络与规则剪枝的神经符号学习用于预测性流程监控

对序列事件数据进行预测建模对于欺诈检测和医疗监控至关重要。现有的数据驱动方法从历史数据中学习相关性，但未能纳入领域特定的序列约束和事件关系的逻辑规则，从而限制了准确性和法规遵从性。例如，医疗程序必须遵循特定序列，金融交易必须遵守合规规则。我们提出了一种神经符号方法，利用逻辑网络（LTNs）将领域知识作为可微分逻辑约束进行整合。我们使用线性时序逻辑和一阶逻辑形式化控制流、时序和负载知识。我们的关键贡献是一种两阶段优化策略，解决 LTNs 倾向于以牺牲预测准确性为代价满足逻辑公式的问题。该方法在预训练阶段使用加权公理损失来优先学习数据，随后进行规则剪枝，仅保留基于满足动态的一致且有贡献的公理。在四个真实事件日志上的评估表明，领域知识注入显著提升了预测性能，两阶段优化是必不可少的知识（没有它，知识可能严重降低性能）。该方法在合规约束场景且合规训练样本有限的情况下表现尤为出色，在确保遵守领域约束的同时实现了优于纯数据驱动基线的性能。