論文の概要: CREATED: Generating Viable Counterfactual Sequences for Predictive Process Analytics

• arxiv url: http://arxiv.org/abs/2303.15844v1
• Date: Tue, 28 Mar 2023 09:35:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-29 15:46:04.224785
• Title: CREATED: Generating Viable Counterfactual Sequences for Predictive Process Analytics
• Title（参考訳）: CREATED:予測プロセス分析のための有効な逆配列の生成
• Authors: Olusanmi Hundogan, Xixi Lu, Yupei Du and Hajo A. Reijers
• Abstract要約: 本稿では,進化的手法を用いて逆実数列を生成する汎用フレームワークを提案する。 我々のフレームワークはドメイン知識を必要としない。代わりに、生成した反事実列の実現可能性を計算するためにマルコフモデルを訓練することを提案する。
• 参考スコア（独自算出の注目度）: 0.30586855806896046
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predictive process analytics focuses on predicting future states, such as the outcome of running process instances. These techniques often use machine learning models or deep learning models (such as LSTM) to make such predictions. However, these deep models are complex and difficult for users to understand. Counterfactuals answer ``what-if'' questions, which are used to understand the reasoning behind the predictions. For example, what if instead of emailing customers, customers are being called? Would this alternative lead to a different outcome? Current methods to generate counterfactual sequences either do not take the process behavior into account, leading to generating invalid or infeasible counterfactual process instances, or heavily rely on domain knowledge. In this work, we propose a general framework that uses evolutionary methods to generate counterfactual sequences. Our framework does not require domain knowledge. Instead, we propose to train a Markov model to compute the feasibility of generated counterfactual sequences and adapt three other measures (delta in outcome prediction, similarity, and sparsity) to ensure their overall viability. The evaluation shows that we generate viable counterfactual sequences, outperform baseline methods in viability, and yield similar results when compared to the state-of-the-art method that requires domain knowledge.
• Abstract（参考訳）: 予測プロセス分析は、プロセスインスタンスの実行結果など、将来の状態を予測することに焦点を当てる。 これらの技術は機械学習モデルや深層学習モデル(LSTMなど)を使って予測を行うことが多い。 しかし、これらの深いモデルはユーザーが理解するのが複雑で難しい。 カウンターファクトリーは、予測の背後にある推論を理解するために使われる「What-if'」質問に答える。 例えば、顧客にメールする代わりに、顧客が呼ばれるとしたらどうだろう? この代替案は異なる結果をもたらすだろうか? 現在の偽りのシーケンスを生成する方法は、プロセスの振舞いを考慮せず、無効または実現不可能な偽りのプロセスインスタンスを生成するか、ドメインの知識に大きく依存する。 本研究では,進化的手法を用いて反事実列を生成する汎用フレームワークを提案する。 我々のフレームワークはドメインの知識を必要としない。 代わりに,生成した反事実列の実現可能性を計算するためにマルコフモデルを訓練し,他の3つの指標(結果予測のデルタ,類似性,スパーシティ)を適応させ,全体の生存性を確保する。 評価の結果,本手法は実効的対位法,生存性におけるベースライン法よりも優れており,ドメイン知識を必要とする最先端の手法と比較しても同様の結果が得られた。

関連論文リスト

• Conformal Validity Guarantees Exist for Any Data Distribution (and How to Find Them) [14.396431159723297]
  理論上,共形予測はテキスト共同データ分布に拡張可能であることを示す。 最も一般的なケースは計算に実用的でないが、具体的には特定の共形アルゴリズムを導出するための手順を概説する。
  論文  参考訳（メタデータ） (2024-05-10T17:40:24Z)
• VCNet: A self-explaining model for realistic counterfactual generation [52.77024349608834]
  事実的説明は、機械学習の決定を局所的に説明するための手法のクラスである。 本稿では,予測器と対実生成器を組み合わせたモデルアーキテクチャであるVCNet-Variational Counter Netを提案する。 我々はVCNetが予測を生成でき、また、別の最小化問題を解くことなく、反現実的な説明を生成できることを示した。
  論文  参考訳（メタデータ） (2022-12-21T08:45:32Z)
• Predictive Querying for Autoregressive Neural Sequence Models [23.85426261235507]
  本稿では,ニューラル自己回帰シーケンスモデルにおける予測クエリの汎用型について紹介する。 このようなクエリは,基本構造ブロックの集合によって体系的に表現可能であることを示す。 我々はこの型を利用して新しいクエリ推定手法を開発した。
  論文  参考訳（メタデータ） (2022-10-12T17:59:36Z)
• Conformal prediction for the design problem [72.14982816083297]
  機械学習の現実的な展開では、次にテストすべきデータを選択するために予測アルゴリズムを使用します。 このような設定では、トレーニングデータとテストデータの間には、異なるタイプの分散シフトがある。 このような環境で予測の不確実性を定量化する手法を提案する。
  論文  参考訳（メタデータ） (2022-02-08T02:59:12Z)
• How do I update my model? On the resilience of Predictive Process Monitoring models to change [15.29342790344802]
  予測プロセスモニタリング技術は通常、過去のプロセス実行に基づいて予測モデルを構築し、それを新しい進行中のケースの将来を予測するために使用します。 これにより、予測的プロセスモニタリングは、実際の環境で動作するプロセスの変動に対処するには厳格すぎる。 予測モデルの定期的な再検討や漸進的な構築を可能にする3つの戦略の活用を評価した。
  論文  参考訳（メタデータ） (2021-09-08T08:50:56Z)
• Complex Event Forecasting with Prediction Suffix Trees: Extended Technical Report [70.7321040534471]
  複合イベント認識(CER)システムは、イベントのリアルタイムストリーム上のパターンを"即時"検出する能力によって、過去20年間に人気が高まっている。 このような現象が実際にCERエンジンによって検出される前に、パターンがいつ発生するかを予測する方法が不足している。 複雑なイベント予測の問題に対処しようとする形式的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-01T09:52:31Z)
• 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)
• Modeling Sequences as Distributions with Uncertainty for Sequential Recommendation [63.77513071533095]
  既存のシーケンシャルメソッドの多くは、ユーザが決定論的であると仮定する。 項目-項目遷移は、いくつかの項目において著しく変動し、ユーザの興味のランダム性を示す。 本稿では,不確実性を逐次モデルに注入する分散型トランスフォーマーシークエンシャルレコメンデーション(DT4SR)を提案する。
  論文  参考訳（メタデータ） (2021-06-11T04:35:21Z)
• On the Reproducibility of Neural Network Predictions [52.47827424679645]
  そこで本研究では, チャーン問題について検討し, 原因因子を同定し, 緩和する2つの簡単な方法を提案する。 最初に、標準的な画像分類タスクであっても、チャーンが問題であることを示す。 我々は,予測信頼度を高めるために,エントロピー正規化器を提案する。 両手法の有効性を実証的に示し, 基礎モデルの精度を向上しながら, チャーン低減効果を示す。
  論文  参考訳（メタデータ） (2021-02-05T18:51:01Z)
• Reachable Sets of Classifiers and Regression Models: (Non-)Robustness Analysis and Robust Training [1.0878040851638]
  分類器と回帰モデルの両方の頑健性特性を解析・拡張する。 具体的には、(非)難易度を検証し、堅牢なトレーニング手順を提案し、我々のアプローチが敵攻撃よりも優れていることを示す。 第2に、ラベル付けされていない入力に対する信頼できない予測と信頼できない予測を区別し、各特徴が予測に与える影響を定量化し、特徴ランキングを計算する技術を提供する。
  論文  参考訳（メタデータ） (2020-07-28T10:58:06Z)
• Ambiguity in Sequential Data: Predicting Uncertain Futures with Recurrent Models [110.82452096672182]
  逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。 また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
  論文  参考訳（メタデータ） (2020-03-10T09:15:42Z)

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。