Lattice: Confidence‑Gated System verbessert Vorhersagen in Empfehlungssystemen und LIGO

Ein neues Hybrid‑System namens Lattice nutzt ein binäres Confidence‑Gating, um lernte Verhaltensarchtypen nur dann einzusetzen, wenn die Vorhersage‑Vertrauensstufe einen festgelegten Schwellenwert überschreitet. Liegt die Unsicherheit höher, greift das System auf Basisvorhersagen zurück und verhindert so fehlerhafte Aktivierungen.

Durch die Clusterung von Verhaltensfenstern in Archetypen kann Lattice Muster erkennen, die in klassischen Modellen wie LSTM oder Transformer übersehen werden. Auf dem MovieLens‑Datensatz erzielte das System mit einer LSTM‑Basis einen bemerkenswerten Anstieg von 31,9 % im Hit‑Rate‑Metric HR@10 gegenüber dem reinen LSTM‑Baseline. Im Vergleich zu Transformer‑Modellen übertraf Lattice SASRec um 109,4 % und BERT4Rec um 218,6 %.

Bei wissenschaftlichen Zeitreihen aus LIGO und bei Finanzmarkt‑Daten zeigte Lattice, dass das Confidence‑Gating zuverlässig Archetypen deaktiviert, sobald sich die Datenverteilung verschiebt. Auf Transformer‑Backbones blieb die Leistung stabil – Lattice fügte keinen Nachteil hinzu und verzichtete nur dann, wenn bereits eine geeignete Struktur vorhanden war.

Diese bidirektionale Validierung – Aktivierung bei passenden Mustern, Ablehnung bei Unsicherheit und Deferierung bei Redundanz – unterstreicht das Potential von Confidence‑Gating als Architekturprinzip zur Handhabung epistemischer Unsicherheit in sicherheitskritischen Anwendungen.