原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
Each language version is independently generated for its own context, not a direct translation.
想象一下，你试图理解一个故事，但你拥有的只是一份原始的、低层级的行动清单，而非实际的情节。
问题：“翻译”鸿沟
设想一位医院患者的就诊历程。计算机日志可能记录一系列微小、具体的行动：“患者被触碰”、“抽血”、“测量血压”、“插入针头”。这些就是低层级事件。
然而，医生或管理者并不想看到一堆琐碎的行动清单；他们想知道高层级的故事：“准备阶段”、“住院阶段”和“术前阶段”。
问题在于，一个微小的行动（例如“抽血”）可能发生在上述三个大阶段的任何一个之中。这就像看到电影中的角色拿起一个杯子：他们是在开会前喝咖啡？是在为客人倒茶？还是仅仅在清理？如果没有上下文，这就是一场猜谜游戏。如果你猜错了，整个患者护理的故事就会被搞乱。
解决此问题的旧方法
该论文描述了两种先前的解决方法，但两者都存在缺陷：
“严格规则手册”方法（抽象论证）：
想象一位非常严格、逻辑严密的侦探，他知晓医院的所有规则。- 规则： “术前阶段必须在住院阶段之后发生。”
- 规则： “如果未完成准备阶段，则不能开始术前阶段。”
这位侦探会将每一个可能的故事与规则进行核对。如果某个故事违反了规则，它就会被剔除。 - 缺陷： 有时规则过于宽松。侦探可能会说：“好吧，从技术上讲，这可能是住院阶段，或者可能是术前阶段，或者可能是准备阶段。”侦探会给你一份包含 50 种可能性的庞大清单。虽然准确，但这令人难以招架，且计算缓慢。
“模式识别器”方法（机器学习）：
想象一位阅读过成千上万份过往患者故事的学生。- 工作原理： 该学生看到“抽血”，并回忆起：“哦，在我读过的故事中，80% 的情况下这都发生在住院阶段。”
- 缺陷： 这位学生需要海量的过往故事库来学习。如果该学生没有见过足够的例子，他们可能会猜错。此外，他们不了解严格的规则。他们可能会将“抽血”事件猜测为“术前阶段”，尽管规则规定术前阶段尚未开始。
新解决方案：“神经符号”团队
作者提出让严格侦探（推理器）与模式识别器（机器学习）组成团队。他们称这种方法为“神经符号”方法。
以下是他们在实时中协同工作的方式：
- 初步猜测： 模式识别器（机器学习）观察当前事件以及之前发生的历史。它说：“我有 80% 的把握这是住院阶段，15% 的把握是准备阶段，5% 的把握是术前阶段。”它提供了一份按可能性排序的最可能故事清单。
- 现实核查： 严格侦探（推理器）接过这份简短的清单，并将其与硬性规则进行核对。
- “等等，”侦探说，“规则规定术前阶段还不能发生。所以，那 5% 的猜测是不可能的。我把它划掉。”
- “还有，”侦探补充道，“规则规定现在不能连续出现两次住院阶段。所以那 15% 的猜测也是无效的。”
- 最终答案： 系统仅向用户呈现有效的选项，并按模式识别器认为的可能性高低进行排序。
为何这很重要
该论文声称，这种团队组合解决了旧方法的弱点：
- 更快、更清晰： 不再是侦探给你 50 个令人困惑的可能性，而是模式识别器将其缩小到前 3 个，然后侦探只需确认这 3 个中哪些是合法的。你会得到一份简短的、排序良好的最佳答案清单。
- 所需数据更少： 模式识别器通常需要成千上万的例子才能学得好。但由于有严格侦探在旁纠正错误，模式识别器无需完美。即使这位学生没读过多少书，侦探仍能阻止他们犯愚蠢的错误。论文的实验表明，即使训练样本非常少，这个团队的表現也远优于单独的学生。
- 解释“为什么”： 如果系统拒绝了一个想法，侦探可以解释原因（例如：“我拒绝了‘术前阶段’，因为规则规定必须先进行‘准备阶段’"）。
总而言之
该论文提出了一种系统，它将机器学习模型的直觉（基于模式进行猜测）与基于规则的系统的逻辑（对照事实进行核查）相结合。这创造了一种工具，它既聪明到足以猜对故事，又快速到足以实时完成，且严格到足以确保故事符合规则。当你没有足够的过往例子来单独教会计算机一切时，这种方法尤为有用。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。