[论文解读] 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 0

一句话总结

Lattice 引入一个置信度门控的混合系统，仅在置信度高时激活学习到的行为原型，从而改进序列预测并在分布漂移时安全地拒绝激活。它将 LSTM 与基于原型的评分结合起来，并在跨域与回归网络上进行验证。

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.

研究动机与目标

• 解决在混合模型中何时学习的序列模式是可靠的问题。
• 提出一个置信度门控机制以选择性地激活原型先验。
• 展示跨域和回路网络中的激活与拒绝的双向验证。
• 在 LSTM 上展示骨干网络无关的行为，在 Transformer 上保持中性/不损害。
• 通过对鲁棒的不确定性处理评估对安全关键应用的适用性。

提出的方法

• 以 LSTM 作为骨干网络来建模序列数据，并为每个序列提取一个行为嵌入。
• 通过对最终 LSTM 嵌入进行 K_means 聚类，将行为窗口聚成 K 个行为原型。
• 利用每个原型的转移矩阵（离散）或模式均值（连续）来计算基于原型的得分。
• 通过将嵌入与原型质心进行最小距离比较，并将其转换为基于百分位数的置信度来量化置信度。
• 当置信度超过 theta 时应用二元门控阈值以使原型评分启用；否则，依赖 LSTM 的预测。
• 在被门控时以固定混合权重组合 LSTM 与原型得分；采用多阶段自适应策略来处理超冷到正常序列长度的情况。

实验结果

研究问题

• RQ1 置信度门控的原型是否能在序列预测上优于单独的 LSTM 基线？
• RQ2 当模式可适用时，原型是否有助于系统；在分布漂移时系统是否应拒绝激活？
• RQ3 该方法是否骨干无关，对 LSTM 有益但不损害 Transformer 模型？
• RQ4 该方法是否能跨域推广，如在推荐、科学时间序列与金融领域？
• RQ5 应如何选择门控阈值和原型数量以实现稳健性能？

主要发现

模型	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

• 在 MovieLens 的 LSTM 场景中，Lattice 的 HR@10 为 0.0806，而 LSTM 为 0.0613，提升了 31.9%（p < 3.29e-25）。
• 在相同的 MovieLens 测试集上，Lattice 在 HR@10 上分别比 SASRec 与 BERT4Rec 高出 109.4% 与 218.6%。
• 当置信度较高时，原型在大多数序列上激活（大约 71%），当置信度较低时正确抑制原型激活（约 29%）。
• 在 LIGO 与金融数据中，该系统在分布漂移下正确拒绝原型激活，保持基线 LSTM 的性能（无降级）。
• 在 Transformer 骨干上，Lattice 的提升为 0.0%（中性），表现出在已编码更高阶转移时的优雅延迟。
• 跨领域评估的 Amazon Reviews 显示显著提升（HR@10 提升 +123.7%，显著性高），指示跨域泛化。