論文の概要: Feature Attribution-Based Explainability Analysis of Deep Learning Models in Predictive Process Monitoring

• arxiv url: http://arxiv.org/abs/2607.17783v1
• Date: Mon, 20 Jul 2026 10:15:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.588921
• Title: Feature Attribution-Based Explainability Analysis of Deep Learning Models in Predictive Process Monitoring
• Title（参考訳）: 予測プロセスモニタリングにおける特徴属性に基づくディープラーニングモデルの説明可能性解析
• Abstract要約: 結果予測における深部ニューラルネットワークの局所的ポストホック説明可能性法を提案する。 この方法は、トレースを意味のあるセグメントに分割する制御フロー認識セグメンテーションアルゴリズムに依存している。 オランダの自治体のローン申請プロセスと管理プロセスから,実世界のイベントログにその有用性を示す。
• 参考スコア（独自算出の注目度）: 2.9503907416726745
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predictive process monitoring supports the optimization and control of operational business processes by forecasting the future state or outcome of ongoing cases. While deep neural networks have achieved strong performance for these tasks by modeling sequential dependencies in event logs, their black-box nature limits trust and practical adoption. Feature attribution methods are often used to address this, but applying them directly poses a dilemma: event-level attributions impose high computational complexity for long traces, while explanations based on aggregated trace representations often fail to capture the underlying control-flow dynamics. To address this issue, we propose a local post-hoc explainability method for deep neural networks in outcome prediction. The method relies on a control-flow-aware segmentation algorithm that partitions a trace into meaningful segments and supports the computation of segment-level SHAP explanations. This makes it possible to identify which parts of a trace influence a prediction and which change points steer the case toward the predicted outcome. We assess the proposed segmentation method on a synthetic dataset with known process logic, where meaningful change points can be explicitly verified, and we demonstrate its usefulness on real-world event logs from a loan application process and an administrative process of a Dutch municipality.
• Abstract（参考訳）: 予測プロセスモニタリングは、進行中のケースの将来の状態や結果を予測することによって、運用ビジネスプロセスの最適化と制御をサポートする。 ディープニューラルネットワークは、イベントログのシーケンシャルな依存関係をモデル化することで、これらのタスクに対して強力なパフォーマンスを実現しているが、ブラックボックスの性質は信頼と実践的採用を制限する。 イベントレベルの属性は長いトレースに対して高い計算複雑性を課すが、集約されたトレース表現に基づく説明は根底にある制御フローのダイナミクスを捉えるのに失敗する。 この問題に対処するために,深層ニューラルネットワークによる結果予測における局所的ポストホック説明可能性法を提案する。 この方法は、トレースを意味のあるセグメントに分割し、セグメントレベルのSHAP説明の計算をサポートする制御フロー対応セグメンテーションアルゴリズムに依存している。 これにより、トレースのどの部分が予測に影響を与え、どの変更点が予測結果に向かってケースを操縦するかを特定できる。 提案手法は,意味のある変化点を明示的に検証可能な,既知のプロセス論理を用いた合成データセット上でのセグメンテーション手法の評価を行い,ローン申請プロセスとオランダの自治体の行政プロセスの実際のイベントログにその有用性を示す。

関連論文リスト

• Monitoring Data-aware Temporal Properties (Extended Version) [56.386411908764494]
  有限トレース上の任意のSMT理論に富む線形時間特性の予測モニタリングについて考察する。 この設定での予測モニタリングは非常に困難であり、監視状態はこれまでのトレースプレフィックスと可能な有限継続の両方に依存している。 本研究は,表現的フラグメントオフMTにおける特性モニタリングのための新しい基礎的枠組みの正しさを提示し,正式に証明するものである。
  論文  参考訳（メタデータ） (2026-05-14T10:23:11Z)
• Combining Abstract Argumentation and Machine Learning for Efficiently Analyzing Low-Level Process Event Streams [18.821902752237204]
  本稿では,解釈問題に対するデータ/計算効率のよいニューロシンボリックアプローチを提案する。 グリーンAIソリューションの急激な開発の必要性を考えると,この問題に対するデータ/計算効率の高いニューロシンボリックアプローチを提案する。
  論文  参考訳（メタデータ） (2025-05-09T08:45:07Z)
• Generating Feasible and Plausible Counterfactual Explanations for Outcome Prediction of Business Processes [45.502284864662585]
  データ駆動型アプローチであるREVISEDplusを導入し、妥当な対実的説明を生成する。 まず, プロセスデータの高密度領域内に存在する反ファクトデータを生成するために, 反ファクトアルゴリズムを限定する。 また、プロセスケースにおけるアクティビティ間のシーケンシャルなパターンを学習することで、妥当性を保証します。
  論文  参考訳（メタデータ） (2024-03-14T09:56:35Z)
• Learning Logic Specifications for Policy Guidance in POMDPs: an Inductive Logic Programming Approach [57.788675205519986]
  我々は任意の解法によって生成されるPOMDP実行から高品質なトレースを学習する。 我々は、データと時間効率のIndu Logic Programming(ILP)を利用して、解釈可能な信念に基づくポリシー仕様を生成する。 ASP(Answer Set Programming)で表現された学習は、ニューラルネットワークよりも優れた性能を示し、より少ない計算時間で最適な手作りタスクに類似していることを示す。
  論文  参考訳（メタデータ） (2024-02-29T15:36:01Z)
• Generalizing Backpropagation for Gradient-Based Interpretability [103.2998254573497]
  モデルの勾配は、半環を用いたより一般的な定式化の特別な場合であることを示す。 この観測により、バックプロパゲーションアルゴリズムを一般化し、他の解釈可能な統計を効率的に計算することができる。
  論文  参考訳（メタデータ） (2023-07-06T15:19:53Z)
• FineDiving: A Fine-grained Dataset for Procedure-aware Action Quality Assessment [93.09267863425492]
  競争力のあるスポーツビデオにおける行動の高レベル意味論と内部時間構造の両方を理解することが、予測を正確かつ解釈可能なものにする鍵である、と我々は主張する。 本研究では,多様なダイビングイベントに対して,アクションプロシージャに関する詳細なアノテーションを付加した,ファインディビングと呼ばれる詳細なデータセットを構築した。
  論文  参考訳（メタデータ） (2022-04-07T17:59:32Z)
• Explainability in Process Outcome Prediction: Guidelines to Obtain Interpretable and Faithful Models [77.34726150561087]
  本稿では、プロセス結果予測の分野における説明可能性モデルと説明可能性モデルの忠実性を通して、説明可能性を定義する。 本稿では,イベントログの仕様に基づいて適切なモデルを選択することのできる,X-MOPというガイドラインのセットを提案する。
  論文  参考訳（メタデータ） (2022-03-30T05:59:50Z)
• Data Augmentation through Expert-guided Symmetry Detection to Improve Performance in Offline Reinforcement Learning [0.0]
  マルコフ決定過程(MDP)の動的モデルのオフライン推定は非自明な作業である。 近年の研究では、密度推定法に依存する専門家誘導パイプラインが、決定論的環境において、この構造を効果的に検出できることが示されている。 学習したMDPを解き、実際の環境に最適化されたポリシーを適用すると、前者の結果が性能改善につながることを示す。
  論文  参考訳（メタデータ） (2021-12-18T14:32:32Z)
• CoCoMoT: Conformance Checking of Multi-Perspective Processes via SMT (Extended Version) [62.96267257163426]
  我々はCoCoMoT(Computing Conformance Modulo Theories)フレームワークを紹介する。 まず、純粋な制御フロー設定で研究したSATベースのエンコーディングを、データ認識ケースに持ち上げる方法を示す。 次に,プロパティ保存型クラスタリングの概念に基づく新しい前処理手法を提案する。
  論文  参考訳（メタデータ） (2021-03-18T20:22:50Z)
• Predictive Process Model Monitoring using Recurrent Neural Networks [2.4029798593292706]
  本稿では,予測モニタリングの中間地点となるプロセス・アズ・ムーブズ(PAM)について紹介する。 プロセス実行トレースのさまざまなウィンドウにおけるアクティビティ間の宣言的なプロセス制約をキャプチャすることで実現します。 高次元入力に適した様々なリカレントニューラルネットワークトポロジを使用して、ウィンドウをタイムステップとしてプロセスモデルの進化をモデル化する。
  論文  参考訳（メタデータ） (2020-11-05T13:57:33Z)
• Explainable Artificial Intelligence for Process Mining: A General Overview and Application of a Novel Local Explanation Approach for Predictive Process Monitoring [0.0]
  本研究では,意思決定環境の確立と理解促進を目的とした概念的枠組みを提案する。 本研究では、中間潜在空間表現を用いて、検証データセットから局所領域を定義する。 採用したディープラーニング分類器は、ROC曲線0.94のエリアで良好な性能を発揮する。
  論文  参考訳（メタデータ） (2020-09-04T10:28:56Z)

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。