[論文レビュー] Lattice: A Confidence-Gated Hybrid System for Uncertainty-Aware Sequential Prediction with Behavioral Archetypes

Lorian Bannis|arXiv (Cornell University)|Jan 21, 2026

Explainable Artificial Intelligence (XAI)被引用数 0

ひとこと要約

Latticeは信頼度ゲート付きのハイブリッドシステムを導入し、信頼度が高い場合にのみ学習済みの行動アーキタイプを活性化することで、逐次予測を向上させ、分布シフト下での活性化を安全に拒否します。LSTMとアーキタイプベースのスコアリングを組み合わせ、ドメインとバックボーンを跨いで検証します。

ABSTRACT

We introduce Lattice, a hybrid sequential prediction system that conditionally activates learned behavioral structure using binary confidence gating. The system clusters behavior windows into behavioral archetypes and uses binary confidence gating to activate archetype-based scoring only when confidence exceeds a threshold, falling back to baseline predictions when uncertain. We validate Lattice on recommendation systems (MovieLens), scientific time-series (LIGO), and financial markets, using LSTM and transformer backbones. On MovieLens with LSTM, Lattice achieves +31.9% improvement over LSTM baseline in HR@10 (p < 3.29 x 10^-25, 30 seeds), outperforming transformer baselines by 109.4% over SASRec and 218.6% over BERT4Rec. On LIGO and financial data, the system correctly refuses archetype activation when distribution shift occurs - a successful outcome demonstrating confidence gating prevents false activation. On transformer backbones, Lattice provides 0.0% improvement (neutral, no degradation), gracefully deferring when structure is already present. This bidirectional validation - activating when patterns apply, refusing when they don't, and deferring when redundant - supports confidence gating as a promising architectural principle for managing epistemic uncertainty in safety-critical applications.

研究の動機と目的

• ハイブリッドモデルにおける学習済み逐次パターンが信頼できる時の課題に対処する。
• アーキタイププリオリの選択的活性化を可能にする信頼度ゲート機構を提案する。
• アクティベーションと拒否の双方向検証をドメインとバックボーンを跨いで示す。
• LSTMで改善を示し、トランスフォーマーではニュートラルな挙動を保つバックボーン非依存性を示す。
• 堅牢な不確実性処理を通じて安全性に関する適用性を評価する。

提案手法

• シーケンスデータをモデル化するためのLSTMバックボーンを使用し、各シーケンスの行動埋め込みを抽出する。
• 最終LSTM埋め込みを用いてK-meansで行動窓をKつの行動アーキタイプにクラスタリングする。
• アーキタイプベースのスコアを、離散的な各アーキタイプ遷移行列または連続的なパターン平均を用いて計算する。
• 埋め込みとアーキタイプ中心点の最小距離を比較し、それをパーセンタイルベースの信頼度に変換して信頼度を定量化する。
• 信頼度がthetaを超える場合にのみアーキタイプスコアを有効化するバイナリゲーティング閾値を適用する。そうでなければLSTM予測に依存する。
• ゲートが有効な場合、固定ハイブリッドウェイトでLSTMとアーキタイプスコアを組み合わせる。超低温から通常シーケンス長を扱う多段階適応ポリシーを用いる。

実験結果

リサーチクエスチョン

• RQ1 信頼度ゲート付きアーキタイプはLSTMベースラインより逐次予測を改善できるか。
• RQ2 パターンが適用可能な場合、アーキタイプは役立つか、分布シフト下での活性化拒否は適切か。
• RQ3 本手法はバックボーン非依存か。LSTMには利益を、トランスフォーマーには悪影響を与えないか。
• RQ4 推奨、科学的時系列、金融などのドメインを跨いで手法は一般化できるか。
• RQ5 頑健な性能のためにゲーティング閾値とアーキタイプ数はどう選ぶべきか。

主な発見

モデル	HR@5	HR@10	HR@20	NDCG@5	NDCG@10	NDCG@20	MRR
LSTM-only	0.0401	0.0613	0.1088	0.0244	0.0306	0.0432	0.0254
LSTM+Lattice	0.0530	0.0806	0.1405	0.0329	0.0413	0.0572	0.0344

• MovieLensでLSTMを用いた場合、LatticeはHR@10で0.0806、LSTMの0.0613と比べ31.9%の改善（p < 3.29e-25）。
• 同じMovieLensテストセットでLatticeはHR@10においてSASRecとBERT4Recをそれぞれ109.4%と218.6%上回る。
• 信頼度が高い場合のシーケンスの大半でアーキタイプが活性化され（おおよそ71%）、信頼度が低い場合にはアーキタイプのゲートを正しく抑制する（約29%）。
• 分布シフト下でLIGOと金融データを横断してアーキタイプ活性化を拒否でき、ベースラインのLSTM性能を維持（劣化なし）。
• トランスフォーマーのバックボーンではLatticeは0.0%の改善（ニュートラル）を示し、より高次の遷移がすでにエンコードされている場合の巧妙な遅延を示す。
• Amazon Reviewsのクロスドメイン評価では大幅な利得（HR@10 +123.7%、高い有意性）を示し、ドメイン横断一般化を示唆。