İleri Düzey Süreç İzleme için Yeni Sinir-Sembolik Yöntem Yüksek Başarı Sağladı
İleri Düzey Süreç İzleme için Yeni Sinir-Sembolik Yöntem Yüksek Başarı Sağladı
Yeni iki aşamalı sinir-sembolik yaklaşım, süreç izleme ve tahmininde alan bilgisini entegre ederek doğruluk ve uyumlulukta önemli artış sağladı.
Önemli Noktalar
- İki aşamalı Logic Tensor Network yöntemiyle süreç tahmini doğruluğu artırıldı.
- Alan bilgisinin entegrasyonu, özellikle uyum gerektiren durumlarda büyük fayda sağladı.
- Yöntem, veri odaklı yaklaşımlara kıyasla daha iyi performans ve mevzuata uygunluk sundu.
Yöntemin Temelleri
Sürekli olay verileri üzerinde yapılan tahmine dayalı modelleme, dolandırıcılık tespiti ve sağlık izleme gibi kritik alanlarda önemli rol oynuyor. Mevcut veri odaklı yöntemler, geçmiş verilerden ilişkiler öğrenebilse de, olaylar arası ardışıklık ve mantıksal kurallar gibi alan bilgilerini genellikle göz ardı ediyor. Bu da doğruluk ve düzenleyici uygunluk açısından kısıtlamalara yol açıyor.
Örneğin, sağlık hizmetlerinde prosedürlerin belirli bir sırayla gerçekleşmesi gerekirken; finansal işlemlerde de mevzuata uygunluk kurallarına uyulması zorunlu. Bu gereklilikleri karşılamak için araştırmacılar, Logic Networks (LTNs) tabanlı sinir-sembolik bir yaklaşım geliştirdi. Bu yöntem, alan bilgisini doğrusal zamansal mantık ve birinci dereceden mantık ile biçimselleştiriyor ve öğrenme sürecine diferansiyellenebilir mantıksal kısıtlar olarak entegre ediyor.
İki Aşamalı Optimizasyon Stratejisi
Çalışmanın temel katkısı, LTNs’in mantıksal formülleri tatmin etme eğiliminin tahmin doğruluğunu düşürmesini engelleyen iki aşamalı bir optimizasyon stratejisi sunmak oldu. İlk aşamada, ön öğrenme sırasında ağırlıklı aksiyom kaybı kullanılarak veri öğrenimi önceliklendiriliyor. Ardından, yalnızca tutarlı ve katkı sağlayan mantıksal kurallar, tatmin dinamiklerine göre budanarak ikinci aşamaya taşınıyor.
Gerçek Dünya Testleri ve Sonuçlar
Yöntem, dört farklı gerçek dünya olay kaydıyla test edildi. Sonuçlar, alan bilgisinin modele enjekte edilmesinin tahmin performansını belirgin şekilde artırdığını gösterdi. Ayrıca, iki aşamalı optimizasyonun bilgi katkısını maksimize ettiği, aksi durumda ise alan bilgisinin performansı ciddi biçimde düşürebileceği ortaya kondu.
Özellikle uyumluluk gerektiren ve uyumlu eğitim örneği az olan senaryolarda, bu yaklaşım veri odaklı temel yöntemlere göre daha yüksek başarı sağladı ve alan kısıtlarına tam uyum gösterdi.
Teknik Detaylar
- Alan bilgisi, doğrusal zamansal mantık ve birinci dereceden mantık ile biçimselleştirildi.
- Ön öğrenme aşamasında ağırlıklı aksiyom kaybı, ardından kuralların dinamik budanması uygulandı.
- Yöntem, uyum kısıtı yüksek senaryolarda üstün performans gösterdi.
Değerlendirme
Sinir-sembolik iki aşamalı Logic Tensor Network yaklaşımı, süreç izleme ve tahmininde alan bilgisinin doğru entegrasyonunun hem doğruluk hem de mevzuata uygunluk açısından kritik olduğunu gösteriyor. Bu yöntem, yakın gelecekte sağlık ve finans gibi düzenlemeye tabi sektörlerde yaygınlaşması beklenen ileri süreç izleme teknolojileri arasında öne çıkıyor.
Kaynak: arxiv.org