論文の概要: Prescriptive Process Monitoring Under Resource Constraints: A Causal Inference Approach

• arxiv url: http://arxiv.org/abs/2109.02894v1
• Date: Tue, 7 Sep 2021 06:42:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-08 14:49:50.173792
• Title: Prescriptive Process Monitoring Under Resource Constraints: A Causal Inference Approach
• Title（参考訳）: 資源制約下での規範的プロセス監視:因果推論アプローチ
• Authors: Mahmoud Shoush, Marlon Dumas
• Abstract要約: 既存の規範的なプロセス監視技術は、トリガーされる可能性のある介入の数が無制限であると仮定する。 本稿では,固定資源制約下でのコスト関数を最適化するために介入をトリガーする規範的プロセス監視手法を提案する。
• 参考スコア（独自算出の注目度）: 0.9645196221785693
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Prescriptive process monitoring is a family of techniques to optimize the performance of a business process by triggering interventions at runtime. Existing prescriptive process monitoring techniques assume that the number of interventions that may be triggered is unbounded. In practice, though, specific interventions consume resources with finite capacity. For example, in a loan origination process, an intervention may consist of preparing an alternative loan offer to increase the applicant's chances of taking a loan. This intervention requires a certain amount of time from a credit officer, and thus, it is not possible to trigger this intervention in all cases. This paper proposes a prescriptive process monitoring technique that triggers interventions to optimize a cost function under fixed resource constraints. The proposed technique relies on predictive modeling to identify cases that are likely to lead to a negative outcome, in combination with causal inference to estimate the effect of an intervention on the outcome of the case. These outputs are then used to allocate resources to interventions to maximize a cost function. A preliminary empirical evaluation suggests that the proposed approach produces a higher net gain than a purely predictive (non-causal) baseline.
• Abstract（参考訳）: 規範的なプロセス監視は、実行時に介入をトリガーすることによってビジネスプロセスのパフォーマンスを最適化する一連のテクニックである。 既存の規範的なプロセス監視技術は、トリガーされる可能性のある介入の数が無制限であると仮定する。 しかし実際には、特定の介入は資源を有限の能力で消費する。 例えば、ローン起業プロセスにおいて、介入は、申請者のローンを受ける機会を増やすための代替ローンオファーを準備することから成り得る。 この介入は、クレジットオフィサーから一定の時間を必要とするため、すべてのケースにおいてこの介入をトリガーすることは不可能である。 本稿では,リソース制約下でコスト関数を最適化するための介入をトリガーする規範的プロセス監視手法を提案する。 提案手法は, 因果推論と組み合わせて, 結果に対する介入の効果を推定するために, ネガティブな結果につながる可能性のある症例を特定するために, 予測モデルに頼っている。 これらの出力は、コスト関数を最大化するために介入にリソースを割り当てるために使用される。 予備的な評価から,提案手法は純予測ベースライン(非コーサルベースライン)よりも高い純利得が得られることが示唆された。

関連論文リスト

• Doubly Robust Proximal Causal Learning for Continuous Treatments [56.05592840537398]
  本稿では,カーネルベースの2倍頑健な因果学習推定器を提案する。 オラクル形式は影響関数の一貫した近似であることを示す。 次に、平均二乗誤差の観点から総合収束解析を行う。
  論文  参考訳（メタデータ） (2023-09-22T12:18:53Z)
• Prescriptive Process Monitoring Under Resource Constraints: A Reinforcement Learning Approach [0.3807314298073301]
  強化学習は、試行錯誤を通じて介入政策を学ぶためのアプローチとして提案されている。 この領域における既存のアプローチは、プロセスの介入を行うのに利用可能なリソースの数が無制限であると仮定する。 本稿では、資源制約の存在下では、規範的プロセス監視の分野における重要なジレンマは、その必要性、スケジュール、効果の予測だけでなく、これらの予測の不確実性や資源利用のレベルにも基づく介入をトリガーすることである、と論じる。
  論文  参考訳（メタデータ） (2023-07-13T05:31:40Z)
• Leaving the Nest: Going Beyond Local Loss Functions for Predict-Then-Optimize [57.22851616806617]
  本手法は,文献から得られた4つの領域において,最先端の成果が得られることを示す。 提案手法は, 局所性仮定が破られた場合, 既存手法よりも200%近く性能が向上する。
  論文  参考訳（メタデータ） (2023-05-26T11:17:45Z)
• Learning When to Treat Business Processes: Prescriptive Process Monitoring with Causal Inference and Reinforcement Learning [0.8318686824572804]
  プロセスの成功率の増加、すなわち、ポジティブな結果に終わるケースの割合は、反復的なプロセス改善の目標である。 本稿では,意思決定作業を自動化する規範的モニタリング手法を提案する。 因果推論と強化学習を組み合わせて、ネットゲインを最大化する治療方針を学習する。
  論文  参考訳（メタデータ） (2023-03-07T00:46:04Z)
• Intervening With Confidence: Conformal Prescriptive Monitoring of Business Processes [0.7487718119544158]
  本稿では,既存の規範的プロセス監視手法を信頼性保証付き予測で拡張する手法を提案する。 実生活の公開データセットを用いた実証評価では、コンフォメーション予測は限られたリソース下での規範的プロセス監視手法の純利を高めることが示されている。
  論文  参考訳（メタデータ） (2022-12-07T15:29:21Z)
• Neighborhood Adaptive Estimators for Causal Inference under Network Interference [152.4519491244279]
  我々は,古典的非干渉仮説の違反を考える。つまり,ある個人に対する治療が他者の結果に影響を及ぼす可能性がある。 干渉をトラクタブルにするために、干渉がどのように進行するかを記述する既知のネットワークを考える。 このような環境下での処理に対する平均的直接的処理効果の予測について検討した。
  論文  参考訳（メタデータ） (2022-12-07T14:53:47Z)
• Quantization for decentralized learning under subspace constraints [61.59416703323886]
  エージェントがサブスペース制約を最小化するために個々のコスト関数を持つ分散最適化問題を考察する。 本稿では,エージェントが確率化量子化器を用いて推定値を圧縮する適応分散型戦略を提案し,検討する。 この分析は、量子化ノイズのいくつかの一般的な条件下では、平均二乗誤差と平均ビットレートの両方で戦略が安定であることを示している。
  論文  参考訳（メタデータ） (2022-09-16T09:38:38Z)
• When to intervene? Prescriptive Process Monitoring Under Uncertainty and Resource Constraints [0.7487718119544158]
  規範的なプロセス監視アプローチは、過去のデータを活用して実行時の介入を規定する。 この分野での以前の提案は、与えられたケースの現在の状態のみを考慮した介入ポリシーに依存している。 本稿では,予測スコア,予測の不確実性,介入の因果効果に基づいて進行中の事例をフィルタリング・ランク付けし,利得関数を最大化するために介入をトリガーする規範的プロセス監視手法を導入することにより,これらのギャップに対処する。
  論文  参考訳（メタデータ） (2022-06-15T18:18:33Z)
• Prescriptive Process Monitoring: Quo Vadis? [64.39761523935613]
  本論文はシステム文献レビュー(SLR)を通して,本分野における既存手法について考察する。 SLRは今後の研究の課題や分野に関する洞察を提供し、規範的なプロセス監視手法の有用性と適用性を高めることができる。
  論文  参考訳（メタデータ） (2021-12-03T08:06:24Z)
• Prescriptive Process Monitoring for Cost-Aware Cycle Time Reduction [0.7837881800517111]
  本稿では,ネットゲイン全体の最大化を図る方法として,時間短縮的介入をいつ引き起こすか,という課題に対処する。 本稿では,無作為林モデルを用いて時間短縮介入の因果効果を推定する規範的プロセスモニタリング手法を提案する。
  論文  参考訳（メタデータ） (2021-05-15T01:19:04Z)
• Coordinated Online Learning for Multi-Agent Systems with Coupled Constraints and Perturbed Utility Observations [91.02019381927236]
  本研究では, 資源制約を満たすため, エージェントを安定な集団状態へ誘導する新しい手法を提案する。 提案手法は,ゲームラグランジアンの拡張によるリソース負荷に基づく分散リソース価格設定手法である。
  論文  参考訳（メタデータ） (2020-10-21T10:11:17Z)

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。