要約
コバルト、銅、マグネシウム、ニッケルなどの重要な金属の価格高騰を予測することは、エネルギー転換や製造業のリショアリングなどの世界的なトレンドに伴う経済リスクを軽減するために非常に重要です。
従来のモデルは回帰ベースのアプローチに焦点を当ててきましたが、私たちの研究では、複数のニューラル モデルを記号的エラーの検出および修正ルールと統合するニューロシンボリック アンサンブル フレームワークが導入されています。
このフレームワークは、個々のモデルのエラーを修正し、ルールベースの説明を通じて解釈可能性を提供することで、予測精度を高めるように設計されています。
私たちの方法では、最高のパフォーマンスを発揮するニューラル モデルと比較して、精度が最大 6.42% 向上し、F1 が 13.24% 増加し、再現率が 29.41% 増加したことを示します。
さらに、私たちの方法は論理ルールに基づいているため、ニューラル モデルのどの組み合わせが特定の予測に直接寄与するかについて説明できるという利点があります。
要約(オリジナル)
Predicting price spikes in critical metals such as Cobalt, Copper, Magnesium, and Nickel is crucial for mitigating economic risks associated with global trends like the energy transition and reshoring of manufacturing. While traditional models have focused on regression-based approaches, our work introduces a neurosymbolic ensemble framework that integrates multiple neural models with symbolic error detection and correction rules. This framework is designed to enhance predictive accuracy by correcting individual model errors and offering interpretability through rule-based explanations. We show that our method provides up to 6.42% improvement in precision, 29.41% increase in recall at 13.24% increase in F1 over the best performing neural models. Further, our method, as it is based on logical rules, has the benefit of affording an explanation as to which combination of neural models directly contribute to a given prediction.
arxiv情報
著者 | Nathaniel Lee,Noel Ngu,Harshdeep Singh Sahdev,Pramod Motaganahall,Al Mehdi Saadat Chowdhury,Bowen Xi,Paulo Shakarian |
発行日 | 2024-10-16 17:58:34+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google