稀疏历史数据的概率神经符号推理：集成贝叶斯推断、因果模型与博弈论分配的框架

Saba Kublashvili

稀疏历史数据的概率神经符号推理：集成贝叶斯推断、因果模型与博弈论分配的框架

人工智能 2025-12-02 v1 计算机科学与博弈论概率论

作者: Saba Kublashvili

摘要

建模历史事件对机器学习来说面临根本性挑战：极端数据稀缺（N << 100）、异构且噪声测量、缺失的反事实情形，以及需要人类可解释解释的要求。我们提出了HistoricalML，一种概率神经符号框架，通过原则性集成（1）贝叶斯不确定性量化以分离认识论不确定性和 aleatoric 不确定性、（2）结构因果模型用于在混杂条件下的反事实推理、（3）合作博弈论（Shapley 值）用于公平分配建模、以及（4）基于注意力的神经架构用于上下文依赖的因子加权。我们提供的理论分析表明，在稀疏数据情境下，当来自领域知识的强先验可用时，我们的方法实现了一致的估计，并且 Shapley 基于的分配满足纯回归方法无法提供的公理化公平性保证。我们在两个历史案例研究中实现了该框架：19 世纪的非洲划分（N = 7 个殖民大国）和第二次普林西战争（N = 2 个派系）。我们的模型识别出德国在第一次世界大战前的 +107.9 百分比偏差作为一种可量化的结构紧张情绪，紧张因子为 36.43，0.79 的海军军备竞赛相关性。对于普林西战争，蒙特卡洛战斗模拟在坎纳战役中为迦太基取得 57.3% 的胜利概率，在扎马战役中为罗马取得 57.8% 的胜利概率，与历史结果一致。反事实分析揭示，迦太基的政治支持（支持得分 6.4 vs 拿破仑的 7.1）而非军事能力，是决定性因素。

关键词

神经符号推理历史数据贝叶斯推断因果模型 Shapley 值

引用

@article{arxiv.2512.01723,
  title  = {Probabilistic Neuro-Symbolic Reasoning for Sparse Historical Data: A Framework Integrating Bayesian Inference, Causal Models, and Game-Theoretic Allocation},
  author = {Saba Kublashvili},
  journal= {arXiv preprint arXiv:2512.01723},
  year   = {2025}
}

备注

Preprint. Code and simulation notebooks available at the GitHub repository: https://github.com/Saba-Kublashvili/bayesian-computational-modeling.-

稀疏历史数据的概率神经符号推理：集成贝叶斯推断、因果模型与博弈论分配的框架

摘要

关键词

引用

备注

相关论文