Проблема обобщения в анализе событий
Современные интеллектуальные системы, ориентированные на события (Event-centric), критически зависят от явных причинно-следственных знаний для раннего предупреждения рисков и поддержки принятия решений. Однако существующие подходы, основанные на конкретных парах событий (instance-level causal pairs), демонстрируют серьезные недостатки при работе с низкоуровневыми длинными хвостами распределения и неизведанными комбинациями событий. Модели просто не могут эффективно рассуждать о ситуациях, которые они не видели в обучающей выборке.
Решение: Абстрактные причинно-следственные правила (AECR)
Авторы работы Ziwei Zheng, Peiqiong Chen и Bang Wang предлагают новую парадигму абстракции на уровне отношений. Метод AECR (Abstract Event Causal Rule) трансформирует конкретные пары «причина-следствие» в обобщенную абстрактную причинно-следственную логику, сохраняя при этом внутреннюю причинную связь. Это позволяет системе распознавать паттерны в новых, ранее не встречавшихся сценариях.
Архитектура: Multi-agent CACI и кластеризация
Для извлечения надежных правил из зашумленных сырых данных разработана система CACI (Concrete-to-Abstract Causal Induction) с использованием мультиагентного подхода. Процесс включает:
- Анализ конкретных примеров причинно-следственных связей.
- Применение кластеризации с ограничением по сходству (similarity-constrained clustering) для группировки похожих событий.
- Формирование двух полных баз знаний AECR, которые служат фундаментом для дальнейших вычислений.
Валидация: AR-GCAE и бенчмарк CGEP
Для проверки практической полезности абстрактных знаний предложен кодировщик AR-GCAE (Abstract Rule-Guided Causal Attention Encoder). Этот модуль внедряет извлеченные правила AECR в задачу предсказания событий через графы (Graph Event Prediction) с помощью слоев внимания, управляемых правилами, и механизмов слияния представлений (gated representation fusion). Эксперименты проводились на бенчмарке CGEP.
Результаты: Рост точности на редких данных
Количественные результаты показывают, что применение AECR существенно усиливает способность к обобщению причинно-следственных рассуждений. Наиболее заметные улучшения зафиксированы именно на редких и неизведанных выборках событий, что подтверждает эффективность подхода для задач раннего предупреждения, где критически важна работа с аномалиями и редкими случаями.
Источник: arXiv cs.AI ↗