論文の概要: XNAP: Making LSTM-based Next Activity Predictions Explainable by Using LRP

• arxiv url: http://arxiv.org/abs/2008.07993v3
• Date: Wed, 23 Dec 2020 19:03:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-27 21:57:45.291940
• Title: XNAP: Making LSTM-based Next Activity Predictions Explainable by Using LRP
• Title（参考訳）: XNAP:LSTMベースの次のアクティビティ予測をLRPで説明可能にする
• Authors: Sven Weinzierl and Sandra Zilker and Jens Brunk and Kate Revoredo and Martin Matzner and J\"org Becker
• Abstract要約: 予測ビジネスプロセス監視(Predictive Business Process Monitoring、PBPM)は、トレース実行時の次のアクティビティなどの振る舞いを予測するために設計されたテクニックのクラスである。 ディープニューラルネットワーク(DNN)を使用することで、次のアクティビティ予測のようなタスクにおいて、予測品質が向上する可能性がある。 本稿では,次の活動予測のための最初の説明可能なDNNベースのPBPM技術であるXNAPを提案する。
• 参考スコア（独自算出の注目度）: 0.415623340386296
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predictive business process monitoring (PBPM) is a class of techniques designed to predict behaviour, such as next activities, in running traces. PBPM techniques aim to improve process performance by providing predictions to process analysts, supporting them in their decision making. However, the PBPM techniques` limited predictive quality was considered as the essential obstacle for establishing such techniques in practice. With the use of deep neural networks (DNNs), the techniques` predictive quality could be improved for tasks like the next activity prediction. While DNNs achieve a promising predictive quality, they still lack comprehensibility due to their hierarchical approach of learning representations. Nevertheless, process analysts need to comprehend the cause of a prediction to identify intervention mechanisms that might affect the decision making to secure process performance. In this paper, we propose XNAP, the first explainable, DNN-based PBPM technique for the next activity prediction. XNAP integrates a layer-wise relevance propagation method from the field of explainable artificial intelligence to make predictions of a long short-term memory DNN explainable by providing relevance values for activities. We show the benefit of our approach through two real-life event logs.
• Abstract（参考訳）: 予測ビジネスプロセス監視(Predictive Business Process Monitoring、PBPM)は、トレース実行時の次のアクティビティなどの振る舞いを予測するために設計されたテクニックのクラスである。 pbpm技術は、プロセスアナリストに予測を提供し、意思決定を支援することによって、プロセスパフォーマンスを改善することを目的としています。 しかし, PBPM技術は, これらの手法を実際に確立するためには, 限られた予測品質が不可欠であると考えられた。 ディープニューラルネットワーク(DNN)を使用することで、次のアクティビティ予測のようなタスクにおいて、‘予測品質’が向上する可能性がある。 DNNは有望な予測品質を達成するが、学習表現の階層的なアプローチのため、理解力に欠ける。 それでもプロセスアナリストは、プロセスのパフォーマンスを確保するための意思決定に影響を与える可能性のある介入メカニズムを特定するための予測の原因を理解する必要がある。 本稿では,次の活動予測のためのDNNベースのPBPM技術であるXNAPを提案する。 XNAPは、説明可能な人工知能の分野からのレイヤーワイド関連伝搬法を統合し、アクティビティの関連値を提供することで、長期記憶DNNの予測を可能にする。 2つの実生活イベントログを通じて、我々のアプローチの利点を示す。

関連論文リスト

• Learning Logic Specifications for Policy Guidance in POMDPs: an Inductive Logic Programming Approach [57.788675205519986]
  我々は任意の解法によって生成されるPOMDP実行から高品質なトレースを学習する。 我々は、データと時間効率のIndu Logic Programming(ILP)を利用して、解釈可能な信念に基づくポリシー仕様を生成する。 ASP(Answer Set Programming)で表現された学習は、ニューラルネットワークよりも優れた性能を示し、より少ない計算時間で最適な手作りタスクに類似していることを示す。
  論文  参考訳（メタデータ） (2024-02-29T15:36:01Z)
• SNAP: Semantic Stories for Next Activity Prediction [4.5723650480442535]
  進行中のプロセスにおける次のアクティビティを予測することは、ビジネスプロセス管理ドメインにおける最も一般的な分類タスクの1つです。 ビジネスプロセス予測のための現在の最先端AIモデルは、プロセスイベントログ内で利用可能なセマンティック情報を十分に活用していない。 本稿では,プロセス履歴イベントログから意味的文脈的ストーリを構築することで,言語基盤モデルを活用する新しいSNAP手法を提案する。
  論文  参考訳（メタデータ） (2024-01-28T10:20:15Z)
• Knowledge-Driven Modulation of Neural Networks with Attention Mechanism for Next Activity Prediction [8.552757384215813]
  本稿では、手続き的プロセスモデルを用いて表現された背景知識を利用して、トレーニングデータのアンダーサンプリングをオフセットするシンボリック[Neuro]システムを提案する。 具体的には,NN分野における新たな技術であるアテンション機構を備えたNNを用いた予測を行う。 このシステムは、予測タスクの性能改善を示す複数の実生活ログでテストされている。
  論文  参考訳（メタデータ） (2023-12-14T12:02:35Z)
• Adversarial Attacks on the Interpretation of Neuron Activation Maximization [70.5472799454224]
  アクティベーション最大化アプローチは、訓練されたディープラーニングモデルの解釈と解析に使用される。 本研究では,解釈を欺くためにモデルを操作する敵の概念を考察する。
  論文  参考訳（メタデータ） (2023-06-12T19:54:33Z)
• Interpretable Self-Aware Neural Networks for Robust Trajectory Prediction [50.79827516897913]
  本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。 実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-16T06:28:20Z)
• Scalable PAC-Bayesian Meta-Learning via the PAC-Optimal Hyper-Posterior: From Theory to Practice [54.03076395748459]
  メタラーニング文学の中心的な疑問は、目に見えないタスクへの一般化を保証するために、いかに正規化するかである。 本稿では,Rothfussらによって最初に導かれたメタラーニングの一般化について述べる。 PAC-Bayesian per-task 学習境界におけるメタラーニングの条件と程度について,理論的解析および実証事例研究を行った。
  論文  参考訳（メタデータ） (2022-11-14T08:51:04Z)
• MARS: Meta-Learning as Score Matching in the Function Space [79.73213540203389]
  本稿では,一連の関連するデータセットから帰納バイアスを抽出する手法を提案する。 機能的ベイズニューラルネットワーク推論を用いて、前者をプロセスとみなし、関数空間で推論を行う。 本手法は,データ生成プロセスのスコア関数をメタラーニングすることにより,複雑な事前知識をシームレスに獲得し,表現することができる。
  論文  参考訳（メタデータ） (2022-10-24T15:14:26Z)
• Learning Predictions for Algorithms with Predictions [49.341241064279714]
  予測器を学習するアルゴリズムに対して,一般的な設計手法を導入する。 オンライン学習の手法を応用して、敵のインスタンスに対して学習し、堅牢性と一貫性のあるトレードオフを調整し、新しい統計的保証を得る。 両部マッチング,ページマイグレーション,スキーレンタル,ジョブスケジューリングの手法を解析することにより,学習アルゴリズムの導出におけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-18T17:25:43Z)
• Interpreting Process Predictions using a Milestone-Aware Counterfactual Approach [0.0]
  本稿では,予測プロセス分析の文脈において,一般的なモデルに依存しない逆ファクトアルアルゴリズムであるDiCEの利用について検討する。 分析の結果,プロセス予測の導出に際し,アルゴリズムは限定的であることがわかった。 本稿では,足跡の異なる段階における節目対応の反事実の導出を支援する手法を提案する。
  論文  参考訳（メタデータ） (2021-07-19T09:14:16Z)
• Prescriptive Business Process Monitoring for Recommending Next Best Actions [0.0]
  予測ビジネスプロセス監視(PBPM)技術は、過去のイベントログデータに基づいて、将来のプロセスの振る舞いを予測する。 最近のPBPM技術では、最先端のディープニューラルネットワーク(DNN)を使用して予測モデルを学習し、より正確な予測を生成する。 我々は、次に最も可能性が高いアクティビティを、与えられたアクションに関する次のベストアクションに変換するPrBPMテクニックを提案する。
  論文  参考訳（メタデータ） (2020-08-19T22:33:54Z)
• An empirical comparison of deep-neural-network architectures for next activity prediction using context-enriched process event logs [0.0]
  研究者は様々な予測ビジネスプロセス監視(PBPM)技術を提案している。 これらのテクニックはディープニューラルネットワーク(DNN)に依存し、プロセスが実行されているコンテキストに関する情報を検討する。 我々は,提案する3つのDNNアーキテクチャの予測品質と,実証された5つの符号化手法と,コンテキストに富んだ5つの実生活イベントログに基づいて評価する。
  論文  参考訳（メタデータ） (2020-05-03T21:33:01Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。