NSR-Boost：面向工业遗留模型的神经符号残差提升框架
人工智能
2026-05-26 v3
摘要
虽然梯度提升决策树 (GBDT) 主导工业表格应用，但在高并发生产环境中升级遗留模型仍面临巨大的再训练成本和系统风险。为此，我们提出 NSR-Boost，一个专为工业场景设计的神经符号残差提升框架。其核心优势在于 'non-intrusive' 即非侵入性。它将遗留模型视为冻结模型，在预测失败的 'hard regions' 中进行针对性修复。该框架包含三个关键阶段：首先通过残差寻找 hard regions，然后通过生成大型语言模型 (LLM) 生成符号代码结构并使用贝叶斯优化微调参数来生成可解释的专家，最后通过轻量级聚合器动态集成专家与遗留模型输出。实验结果表明，该框架在六个公开数据集和一个私有数据集上均显著优于最先进 (SOTA) 基线。更重要的是，我们报告称 NSR-Boost 在 Qfin Holdings 核心金融风险控制系统中成功部署，实际线上流量的实证结果显示性能显著提升，坏账率显著降低。综上所述，它有效捕获了传统模型忽略的长尾风险，为行业提供了一个安全、低成本的演化范式。
引用
@article{arxiv.2601.10457,
title = {NSR-Boost: A Neuro-Symbolic Residual Boosting Framework for Industrial Legacy Models},
author = {Ziming Dai and Dabiao Ma and Jinle Tong and Mengyuan Han and Jian Yang and Hongtao Liu and Haojun Fei and Qing Yang},
journal= {arXiv preprint arXiv:2601.10457},
year = {2026}
}
备注
Accepted by KDD 2026