論文の概要: Learning When to Treat Business Processes: Prescriptive Process
Monitoring with Causal Inference and Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2303.03572v1
- Date: Tue, 7 Mar 2023 00:46:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-08 16:52:57.779091
- Title: Learning When to Treat Business Processes: Prescriptive Process
Monitoring with Causal Inference and Reinforcement Learning
- Title（参考訳）: ビジネスプロセスをいつ扱うか:因果推論と強化学習による規範的プロセスモニタリング
- Authors: Zahra Dasht Bozorgi, Marlon Dumas, Marcello La Rosa, Artem Polyvyanyy,
Mahmoud Shoush, Irene Teinemaa
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.8318686824572804
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Increasing the success rate of a process, i.e. the percentage of cases that
end in a positive outcome, is a recurrent process improvement goal. At runtime,
there are often certain actions (a.k.a. treatments) that workers may execute to
lift the probability that a case ends in a positive outcome. For example, in a
loan origination process, a possible treatment is to issue multiple loan offers
to increase the probability that the customer takes a loan. Each treatment has
a cost. Thus, when defining policies for prescribing treatments to cases,
managers need to consider the net gain of the treatments. Also, the effect of a
treatment varies over time: treating a case earlier may be more effective than
later in a case. This paper presents a prescriptive monitoring method that
automates this decision-making task. The method combines causal inference and
reinforcement learning to learn treatment policies that maximize the net gain.
The method leverages a conformal prediction technique to speed up the
convergence of the reinforcement learning mechanism by separating cases that
are likely to end up in a positive or negative outcome, from uncertain cases.
An evaluation on two real-life datasets shows that the proposed method
outperforms a state-of-the-art baseline.
- Abstract（参考訳）: プロセスの成功率(すなわち、ポジティブな結果に終わるケースの割合)の増加は、繰り返し発生するプロセス改善の目標である。
実行時に、労働者がケースが肯定的な結果に終わる確率を上げるために実行する特定のアクション(すなわち治療)がしばしばある。
例えば、ローン発生プロセスでは、顧客がローンを取る確率を高めるために複数のローンオファーを発行する、という処理が考えられる。
それぞれの治療には費用がかかる。
したがって、治療をケースに規定するポリシーを定義する際には、管理者は治療の純利益を考慮する必要がある。
また、治療の効果は時間によって異なり、より早い症例の処置は後の症例よりも効果的である可能性がある。
本稿では,この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。
この方法は因果推論と強化学習を組み合わせることで、純利益を最大化する治療方針を学ぶ。
この手法は共形予測手法を利用して、不確定な事例から正または負の結果になる可能性のある事例を分離することで強化学習機構の収束を高速化する。
2つの実生活データセットの評価は,提案手法が最先端のベースラインより優れていることを示す。
関連論文リスト
- Reduced-Rank Multi-objective Policy Learning and Optimization [57.978477569678844]
実際には、因果研究者は先験を念頭において1つの結果を持っていない。
政府支援の社会福祉プログラムでは、政策立案者は貧困の多次元的性質を理解するために多くの成果を集めている。
本稿では、最適政策学習の文脈において、複数の結果に対するデータ駆動型次元性推論手法を提案する。
論文 参考訳（メタデータ） (2024-04-29T08:16:30Z) - FRAPPE: A Group Fairness Framework for Post-Processing Everything [48.57876348370417]
本稿では,任意の正規化インプロセッシング手法をポストプロセッシング手法に変換するフレームワークを提案する。
理論的および実験を通して、我々のフレームワークは、内部処理で達成された優れた公正なエラートレードオフを保っていることを示す。
論文 参考訳（メタデータ） (2023-12-05T09:09:21Z) - The Blessings of Multiple Treatments and Outcomes in Treatment Effect
Estimation [53.81860494566915]
既存の研究では、プロキシ変数や複数の処理を利用してバイアスを補正している。
多くの実世界のシナリオでは、複数の結果に対する影響を研究することにより大きな関心がある。
この設定に関わる複数の結果の並列研究は、因果同定において互いに助け合うことが示されている。
論文 参考訳（メタデータ） (2023-09-29T14:33:48Z) - 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) - Causal Modeling of Policy Interventions From Sequences of Treatments and
Outcomes [5.107614397012659]
データ駆動意思決定は、ポリシーが変更されたときに何が起こるかを予測する能力を必要とする。
結果がどのように進化するかを予測する既存の方法は、将来の治療の仮のシーケンスが事前に固定されていると仮定する。
実際には、治療は政策によって決定され、以前の治療の効率に依存する可能性がある。
論文 参考訳（メタデータ） (2022-09-09T06:50:37Z) - Robust and Agnostic Learning of Conditional Distributional Treatment
Effects [62.44901952244514]
条件平均治療効果(CATE)は、個々の因果効果の最適点予測である。
集約分析では、通常は分布処理効果(DTE)の測定によって対処される。
我々は,多種多様な問題に対して条件付きDTE(CDTE)を学習するための,新しい堅牢でモデルに依存しない手法を提供する。
論文 参考訳（メタデータ） (2022-05-23T17:40:31Z) - Disentangled Counterfactual Recurrent Networks for Treatment Effect
Inference over Time [71.30985926640659]
本稿では,DCRN(Disentangled Counterfactual Recurrent Network)を提案する。
時間とともに治療効果の因果構造に完全にインスパイアされたアーキテクチャでは、予測精度と疾患理解が向上する。
実データとシミュレーションデータの両方において,DCRNが処理応答予測の最先端手法より優れていることを示す。
論文 参考訳（メタデータ） (2021-12-07T16:40:28Z) - SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event
Data [83.50281440043241]
時系列データから不均一な処理効果を推定する問題について検討する。
本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
論文 参考訳（メタデータ） (2021-10-26T20:13:17Z) - Prescriptive Process Monitoring Under Resource Constraints: A Causal
Inference Approach [0.9645196221785693]
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。
論文 参考訳（メタデータ） (2021-09-07T06:42:33Z) - Stochastic Intervention for Causal Inference via Reinforcement Learning [7.015556609676951]
因果推論の中心は介入戦略の処理効果推定である。
既存の方法はほとんどが決定論的治療に限られており、異なる治療下での結果を比較する。
介入に対する治療効果を推定するための新しい効果的な枠組みを提案する。
論文 参考訳（メタデータ） (2021-05-28T00:11:22Z) - 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)
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。