본 논문은 역사적 사건을 모델링하는 데 있어 발생하는 극심한 데이터 부족, 이질적이고 노이즈가 있는 측정, 누락된 반사실, 인간이 이해할 수 있는 설명의 필요성과 같은 근본적인 문제들을 해결하기 위한 확률적 신경-기호 프레임워크인 HistoricalML을 제시합니다. 이 프레임워크는 (1) 베이지안 불확실성 정량화를 통한 인식적 불확실성과 우발적 불확실성의 분리, (2) 혼란 요인 하에서의 반사실적 추론을 위한 구조적 인과 모델, (3) 공정한 할당 모델링을 위한 협력 게임 이론(Shapley 값), (4) 맥락 의존적 요인 가중치를 위한 어텐션 기반 신경 아키텍처를 통합합니다. HistoricalML은 희소 데이터 환경에서 도메인 지식의 강한 사전 정보가 있는 경우 일관된 추정을 달성하며, Shapley 기반 할당이 순수한 회귀 접근 방식이 제공할 수 없는 공리적 공정성 보장을 충족한다는 이론적 분석을 제공합니다. 19세기 아프리카 분할(N = 7개 식민 열강)과 제2차 포에니 전쟁(N = 2개 세력)이라는 두 가지 역사적 사례 연구에 적용되었습니다.
