論文の概要: Interpreting Process Predictions using a Milestone-Aware Counterfactual
Approach
- arxiv url: http://arxiv.org/abs/2107.08697v1
- Date: Mon, 19 Jul 2021 09:14:16 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-20 23:21:59.058523
- Title: Interpreting Process Predictions using a Milestone-Aware Counterfactual
Approach
- Title(参考訳): マイルストーン対応カウンターファクトアプローチによるプロセス予測の解釈
- Authors: Chihcheng Hsieh and Catarina Moreira and Chun Ouyang
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Predictive process analytics often apply machine learning to predict the
future states of a running business process. However, the internal mechanisms
of many existing predictive algorithms are opaque and a human decision-maker is
unable to understand \emph{why} a certain activity was predicted. Recently,
counterfactuals have been proposed in the literature to derive
human-understandable explanations from predictive models. Current
counterfactual approaches consist of finding the minimum feature change that
can make a certain prediction flip its outcome. Although many algorithms have
been proposed, their application to the sequence and multi-dimensional data
like event logs has not been explored in the literature.
In this paper, we explore the use of a recent, popular model-agnostic
counterfactual algorithm, DiCE, in the context of predictive process analytics.
The analysis reveals that the algorithm is limited when being applied to derive
explanations of process predictions, due to (1) process domain knowledge not
being taken into account, (2) long traces that often tend to be less
understandable, and (3) difficulties in optimising the counterfactual search
with categorical variables. We design an extension of DiCE that can generate
counterfactuals for process predictions, and propose an approach that supports
deriving milestone-aware counterfactuals at different stages of a trace to
promote interpretability. We apply our approach to BPIC2012 event log and the
analysis results demonstrate the effectiveness of the proposed approach.
- Abstract(参考訳): 予測プロセス分析は、しばしば機械学習を適用して、実行中のビジネスプロセスの将来状態を予測します。
しかし、既存の多くの予測アルゴリズムの内部機構は不透明であり、人間の意思決定者は特定のアクティビティが予測されたことを理解することができない。
近年,予測モデルから人間に理解可能な説明を導き出すための対策が文献で提案されている。
現在のカウンターファクトのアプローチは、ある予測結果を覆すことができる最小限の特徴変化を見つけることで成り立っている。
多くのアルゴリズムが提案されているが、そのシーケンスやイベントログのような多次元データへの応用は研究されていない。
本稿では,最近普及しているモデルに依存しない反ファクトアルゴリズムであるDiCEの予測プロセス解析における利用について検討する。
解析の結果,(1)プロセス領域の知識が考慮されていないこと,(2)理解できない傾向の長いトレース,(3)カテゴリー変数による反事実探索の最適化が困難であることなどから,プロセス予測の説明を導出する場合にアルゴリズムが限定されることが明らかになった。
本稿では,プロセス予測のためのデファクトを生成可能なDiCEの拡張を設計し,トラストの異なる段階におけるマイルストーン対応デファクトの導出を支援するアプローチを提案する。
本手法をBPIC2012イベントログに適用し,提案手法の有効性を示す。
関連論文リスト
- Achieving Fairness in Predictive Process Analytics via Adversarial Learning [50.31323204077591]
本稿では、デバイアスフェーズを予測ビジネスプロセス分析に組み込むことの課題に対処する。
本研究の枠組みは, 4つのケーススタディで検証し, 予測値に対する偏り変数の寄与を著しく低減することを示した。
論文 参考訳(メタデータ) (2024-10-03T15:56:03Z) - Generating Feasible and Plausible Counterfactual Explanations for Outcome Prediction of Business Processes [45.502284864662585]
データ駆動型アプローチであるREVISEDplusを導入し、妥当な対実的説明を生成する。
まず, プロセスデータの高密度領域内に存在する反ファクトデータを生成するために, 反ファクトアルゴリズムを限定する。
また、プロセスケースにおけるアクティビティ間のシーケンシャルなパターンを学習することで、妥当性を保証します。
論文 参考訳(メタデータ) (2024-03-14T09:56:35Z) - Scalable computation of prediction intervals for neural networks via
matrix sketching [79.44177623781043]
既存の不確実性推定アルゴリズムでは、モデルアーキテクチャとトレーニング手順を変更する必要がある。
本研究では、与えられたトレーニングされたニューラルネットワークに適用し、近似予測間隔を生成できる新しいアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-05-06T13:18:31Z) - Non-Clairvoyant Scheduling with Predictions Revisited [77.86290991564829]
非論理的スケジューリングでは、優先度不明な処理条件でジョブをスケジューリングするためのオンライン戦略を見つけることが課題である。
我々はこのよく研究された問題を、アルゴリズム設計に(信頼できない)予測を統合する、最近人気の高い学習強化された設定で再検討する。
これらの予測には所望の特性があり, 高い性能保証を有するアルゴリズムと同様に, 自然な誤差測定が可能であることを示す。
論文 参考訳(メタデータ) (2022-02-21T13:18:11Z) - 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) - A systematic literature review on state-of-the-art deep learning methods
for process prediction [0.0]
近年,様々なデータ処理手法と予測アルゴリズムを適用し,複数のプロセス予測手法が提案されている。
この研究は、機械学習の代替手段を一貫して上回っているように見えるため、ディープラーニングアルゴリズムに焦点を当てている。
ログデータ、評価メトリクス、著者が使用するベースラインのセットが多様化し、結果の比較が困難になる。
論文 参考訳(メタデータ) (2021-01-22T20:26:40Z) - Evaluating Explainable Methods for Predictive Process Analytics: A
Functionally-Grounded Approach [2.2448567386846916]
予測プロセス分析は、ビジネスプロセスの実行インスタンスの将来の状態を予測することに焦点を当てる。
現在のLIMEやSHAPのような説明可能な機械学習手法は、ブラックボックスモデルの解釈に利用できる。
XGBoost上に構築されたプロセス予測モデルの解釈におけるLIMEとSHAPの性能評価に,提案手法を適用した。
論文 参考訳(メタデータ) (2020-12-08T05:05:19Z) - XNAP: Making LSTM-based Next Activity Predictions Explainable by Using
LRP [0.415623340386296]
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。
論文 参考訳(メタデータ) (2020-08-18T15:40:07Z) - Counterfactual Predictions under Runtime Confounding [74.90756694584839]
本研究は, 過去のデータからすべての関連要因を抽出した環境で, 事実予測タスクについて検討する。
本稿では,この環境下での対実予測モデル学習のための2次ロバスト手法を提案する。
論文 参考訳(メタデータ) (2020-06-30T15:49:05Z)
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。