論文の概要: Guiding the generation of counterfactual explanations through temporal background knowledge for Predictive Process Monitoring

• arxiv url: http://arxiv.org/abs/2403.11642v1
• Date: Mon, 18 Mar 2024 10:34:40 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-19 15:47:44.289208
• Title: Guiding the generation of counterfactual explanations through temporal background knowledge for Predictive Process Monitoring
• Title（参考訳）: 予測プロセスモニタリングのための時間的背景知識による反実的説明の生成指導
• Authors: Andrei Buliga, Chiara Di Francescomarino, Chiara Ghidini, Ivan Donadello, Fabrizio Maria Maggi,
• Abstract要約: 我々は,XAIのドメインにおいて,実行時の一連の時間的制約を検討するために,対実生成のための最先端技術を適用した。 本稿では,時間的背景知識を取り入れることで,時間的背景知識に適合した反事実の生成が可能になることを示す。
• 参考スコア（独自算出の注目度）: 13.610101763172452
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Counterfactual explanations suggest what should be different in the input instance to change the outcome of an AI system. When dealing with counterfactual explanations in the field of Predictive Process Monitoring, however, control flow relationships among events have to be carefully considered. A counterfactual, indeed, should not violate control flow relationships among activities (temporal background knowledege). Within the field of Explainability in Predictive Process Monitoring, there have been a series of works regarding counterfactual explanations for outcome-based predictions. However, none of them consider the inclusion of temporal background knowledge when generating these counterfactuals. In this work, we adapt state-of-the-art techniques for counterfactual generation in the domain of XAI that are based on genetic algorithms to consider a series of temporal constraints at runtime. We assume that this temporal background knowledge is given, and we adapt the fitness function, as well as the crossover and mutation operators, to maintain the satisfaction of the constraints. The proposed methods are evaluated with respect to state-of-the-art genetic algorithms for counterfactual generation and the results are presented. We showcase that the inclusion of temporal background knowledge allows the generation of counterfactuals more conformant to the temporal background knowledge, without however losing in terms of the counterfactual traditional quality metrics.
• Abstract（参考訳）: 対実的な説明は、AIシステムの結果を変えるために入力インスタンスで何が異なるべきかを示唆する。 しかし,予測プロセスモニタリングの分野では,事象間の制御フローの関係を慎重に検討する必要がある。 事実、反事実は、アクティビティ(時間的背景知識)間の制御フロー関係に違反するべきではない。 予測プロセスモニタリングにおける説明可能性(Explainability)の分野では、結果に基づく予測に対する反実的な説明に関する一連の研究がなされている。 しかし、これらの反事実を生成する際に時間的背景知識が組み込まれているとは考えていない。 本研究では,XAIの領域における時間的制約を考慮した遺伝的アルゴリズムに基づく対実的生成のための最先端技術を適用し,実行時の時間的制約について考察する。 この時間的背景知識が与えられると仮定し、適合関数、クロスオーバーおよび突然変異演算子を適応させ、制約の満足度を維持する。 提案手法は, 対実生成のための最先端の遺伝的アルゴリズムに対して評価され, 結果が得られた。 本稿では,時間的背景知識を取り入れることで,時間的背景知識に適合する反事実の生成が可能であり,その反事実的品質指標を損なうことはないことを示す。

関連論文リスト

• Learning Granularity Representation for Temporal Knowledge Graph Completion [2.689675451882683]
  時間的知識グラフ(TKG)は、実世界の事実の動的な構造的知識と進化的パターンを反映する時間的情報を含んでいる。 本稿では,TKG 補完のための textbfLearning textbfGranularity textbfRepresentation (termed $mathsfLGRe$) を提案する。 グラニュラリティ・ラーニング(GRL)とアダプティブグラニュラリティ・バランシング(AGB)の2つの主要コンポーネントから構成される。
  論文  参考訳（メタデータ） (2024-08-27T08:19:34Z)
• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• CaRiNG: Learning Temporal Causal Representation under Non-Invertible Generation Process [22.720927418184672]
  非可逆生成時間データのCAusal RepresentatIonを同一性保証付きで学習するための原則的アプローチを提案する。 具体的には、時間的文脈を利用して失われた潜伏情報を復元し、この理論の条件を適用してトレーニングプロセスの指導を行う。
  論文  参考訳（メタデータ） (2024-01-25T22:01:07Z)
• Conflict Detection for Temporal Knowledge Graphs:A Fast Constraint Mining Algorithm and New Benchmarks [21.152721572830373]
  パターンに基づく時間的制約マイニング手法PaTeConを提案する。 本稿では,この手法が高速な高速化を実現するためにどのように最適化できるかを示す。 また、WikidataとFreebaseに、コンフリクト検出のための2つの新しいベンチマークを構築するようアノテートしています。
  論文  参考訳（メタデータ） (2023-12-18T09:35:43Z)
• Instructed Diffuser with Temporal Condition Guidance for Offline Reinforcement Learning [71.24316734338501]
  テンポラリ・コンポラブル・ディフューザ(TCD)を用いた実効時間条件拡散モデルを提案する。 TCDは、相互作用シーケンスから時間情報を抽出し、時間条件で生成を明示的にガイドする。 提案手法は,従来のSOTAベースラインと比較して最高の性能を達成または一致させる。
  論文  参考訳（メタデータ） (2023-06-08T02:12:26Z)
• Mitigating Temporal Misalignment by Discarding Outdated Facts [58.620269228776294]
  大規模な言語モデルは、しばしば時間的ミスアライメントの下で使われ、現在に関する質問に答える。 我々は、ある事実がいつまで真実であるかを予測するタスクとして、事実期間予測を提案する。 私たちのデータとコードはhttps://github.com/mikejqzhang/mitigating_misalignment.comで公開されています。
  論文  参考訳（メタデータ） (2023-05-24T07:30:08Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• Generic Temporal Reasoning with Differential Analysis and Explanation [61.96034987217583]
  時間差分解析でギャップを埋めるTODAYという新しいタスクを導入する。 TODAYは、システムがインクリメンタルな変化の効果を正しく理解できるかどうかを評価する。 共同学習においてTODAYの指導スタイルと説明アノテーションが有効であることを示す。
  論文  参考訳（メタデータ） (2022-12-20T17:40:03Z)
• Neural Causal Models for Counterfactual Identification and Estimation [62.30444687707919]
  本稿では,ニューラルモデルによる反事実文の評価について検討する。 まず、神経因果モデル(NCM)が十分に表現可能であることを示す。 第2に,反事実分布の同時同定と推定を行うアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-09-30T18:29:09Z)

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。