論文の概要: Explainable Predictive Decision Mining for Operational Support

• arxiv url: http://arxiv.org/abs/2210.16786v1
• Date: Sun, 30 Oct 2022 09:27:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-01 15:41:01.240327
• Title: Explainable Predictive Decision Mining for Operational Support
• Title（参考訳）: 操作支援のための説明可能な予測決定マイニング
• Authors: Gyunam Park, Aaron K\"usters, Mara Tews, Cameron Pitsch, Jonathan Schneider, and Wil M. P. van der Aalst
• Abstract要約: 決定マイニングは、プロセスの決定ポイントにおけるプロセスインスタンスのルーティングを記述/予測することを目的としています。 意思決定マイニングの既存のテクニックは、意思決定の記述に重点を置いているが、その予測には重点を置いていない。 提案手法は, SHAP値を用いた予測決定についての説明を行い, 積極的な行動の誘発を支援する。
• 参考スコア（独自算出の注目度）: 0.3232625980782302
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Several decision points exist in business processes (e.g., whether a purchase order needs a manager's approval or not), and different decisions are made for different process instances based on their characteristics (e.g., a purchase order higher than $500 needs a manager approval). Decision mining in process mining aims to describe/predict the routing of a process instance at a decision point of the process. By predicting the decision, one can take proactive actions to improve the process. For instance, when a bottleneck is developing in one of the possible decisions, one can predict the decision and bypass the bottleneck. However, despite its huge potential for such operational support, existing techniques for decision mining have focused largely on describing decisions but not on predicting them, deploying decision trees to produce logical expressions to explain the decision. In this work, we aim to enhance the predictive capability of decision mining to enable proactive operational support by deploying more advanced machine learning algorithms. Our proposed approach provides explanations of the predicted decisions using SHAP values to support the elicitation of proactive actions. We have implemented a Web application to support the proposed approach and evaluated the approach using the implementation.
• Abstract（参考訳）: ビジネスプロセスにはいくつかの決定ポイント(例えば、購入注文がマネージャの承認を必要とするかどうか)が存在し、その特性に基づいて異なるプロセスインスタンスについて異なる決定がなされる(例えば500ドル以上の購入注文はマネージャの承認を必要とする)。 プロセスマイニングにおける決定マイニングは、プロセスの決定点におけるプロセスインスタンスのルーティングを記述/予測することを目的としている。 意思決定を予測すれば、プロセスを改善するために積極的な行動を取ることができる。 例えば、可能な意思決定の1つでボトルネックが発生している場合、決定を予測してボトルネックを回避できます。 しかし、このような運用支援への大きな可能性にもかかわらず、既存の意思決定手法は、決定の記述に重点を置いてきたが、予測ではなく、決定を説明する論理的表現を生成するために決定木を配置している。 本研究では,より高度な機械学習アルゴリズムを展開することにより,意思決定の予測能力を高め,積極的な運用支援を実現することを目的とする。 提案手法は, SHAP値を用いた予測決定についての説明を行い, 積極的な行動の誘発を支援する。 提案手法をサポートするWebアプリケーションを実装し,その実装によるアプローチの評価を行った。

関連論文リスト

• Extracting Process-Aware Decision Models from Object-Centric Process Data [54.04724730771216]
  本稿では,ODDA(Integrated Object-centric Decision Discovery Algorithm)と呼ばれる,オブジェクト中心決定マイニングアルゴリズムを提案する。 IODDAは意思決定の仕組みや意思決定の仕方を知ることができる。
  論文  参考訳（メタデータ） (2024-01-26T13:27:35Z)
• Optimized Task Assignment and Predictive Maintenance for Industrial Machines using Markov Decision Process [0.0]
  本稿では,タスク割り当てと条件に基づく機械の健康維持のための分散意思決定手法について考察する。 マルコフ決定プロセスに基づく意思決定エージェントの設計を提案する。
  論文  参考訳（メタデータ） (2024-01-20T12:12:14Z)
• Rational Decision-Making Agent with Internalized Utility Judgment [91.80700126895927]
  大規模言語モデル(LLM)は目覚ましい進歩を示し、従来のNLPアプリケーションを超えて複雑な多段階決定タスクを実行できるエージェントにLLMを開発するための重要な努力を惹きつけている。 本稿では,RadAgentを提案する。このRadAgentは,経験探索とユーティリティ学習を含む反復的なフレームワークを通じて,合理性の発展を促進する。 ToolBenchデータセットの実験結果は、RadAgentがベースラインよりも優れていることを示している。
  論文  参考訳（メタデータ） (2023-08-24T03:11:45Z)
• An End-to-End Approach for Online Decision Mining and Decision Drift Analysis in Process-Aware Information Systems: Extended Version [0.0]
  決定マイニングは、イベントログやストリームから決定ルールの発見を可能にする。 オンライン意思決定マイニングは、意思決定ルールの進化と意思決定のドリフトを継続的に監視することを可能にする。 本稿では,発見のためのエンドツーエンドアプローチと,実行中の決定点とそれに対応する決定ルールの監視について述べる。
  論文  参考訳（メタデータ） (2023-03-07T15:04:49Z)
• Explainable Data-Driven Optimization: From Context to Decision and Back Again [76.84947521482631]
  データ駆動最適化では、コンテキスト情報と機械学習アルゴリズムを使用して、不確実なパラメータによる決定問題の解決策を見つける。 本稿では,データ駆動型問題に対する解法を説明するために,対実的説明手法を提案する。 在庫管理やルーティングといった運用管理における重要な問題を説明することで,我々のアプローチを実証する。
  論文  参考訳（メタデータ） (2023-01-24T15:25:16Z)
• Explainability's Gain is Optimality's Loss? -- How Explanations Bias Decision-making [0.0]
  説明は、アルゴリズムと人間の意思決定者とのコミュニケーションを促進するのに役立つ。 因果モデルに関する特徴に基づく説明のセマンティクスは、意思決定者の以前の信念から漏れを引き起こす。 このような違いは、準最適かつ偏った決定結果をもたらす可能性がある。
  論文  参考訳（メタデータ） (2022-06-17T11:43:42Z)
• Inverse Online Learning: Understanding Non-Stationary and Reactionary Policies [79.60322329952453]
  エージェントが意思決定を行う方法の解釈可能な表現を開発する方法を示す。 一連の軌跡に基づく意思決定プロセスを理解することにより,このオンライン学習問題に対して,政策推論問題を逆問題とみなした。 本稿では、エージェントがそれらを更新するプロセスと並行して、その影響を遡及的に推定する実用的なアルゴリズムを提案する。 UNOSの臓器提供受諾決定の分析に応用することで、我々のアプローチは意思決定プロセスを管理する要因や時間とともにどのように変化するかに、貴重な洞察をもたらすことができることを実証する。
  論文  参考訳（メタデータ） (2022-03-14T17:40:42Z)
• Counterfactual Explanations in Sequential Decision Making Under Uncertainty [27.763369810430653]
  本研究では, 逐次的意思決定プロセスにおいて, 対実的説明を求める手法を開発した。 我々の問題定式化において、反実的説明は、少なくとも k 個の作用において異なる作用の別の列を特定する。 提案アルゴリズムは,不確実性の下での意思決定の促進に有用な洞察を与えることができることを示す。
  論文  参考訳（メタデータ） (2021-07-06T17:38:19Z)
• Efficient PAC Reinforcement Learning in Regular Decision Processes [99.02383154255833]
  定期的な意思決定プロセスで強化学習を研究します。 我々の主な貢献は、最適に近いポリシーをパラメータのセットで時間内にPACを学習できることである。
  論文  参考訳（メタデータ） (2021-05-14T12:08:46Z)
• Inverse Active Sensing: Modeling and Understanding Timely Decision-Making [111.07204912245841]
  我々は,内因性,文脈依存型時間圧下でのエビデンスに基づく意思決定の一般的な設定のための枠組みを開発する。 意思決定戦略において、サプライズ、サスペンス、最適性の直感的な概念をモデル化する方法を実証する。
  論文  参考訳（メタデータ） (2020-06-25T02:30:45Z)

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。