論文の概要: Causal Explanations of Process Monitor Predictions

• arxiv url: http://arxiv.org/abs/2608.24672v1
• Date: Tue, 25 Aug 2026 15:08:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:35.057812
• Title: Causal Explanations of Process Monitor Predictions
• Title（参考訳）: プロセスモニタ予測の因果説明
• Authors: Tom Yaacov, Nathan Blake, Hana Chockler,
• Abstract要約: 本稿では,プロセス監視予測の局所的(ケースレベルの)説明を生成するための新しい手法を提案する。 トレース内のイベント間の時間的依存関係をキャプチャするプロセスに適した因果モデルを定義する。 本稿では,プロセス構造が因果モデルに反映されていることを考慮し,事象の責任を近似する実用的なモデルに依存しないアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 4.3331379059769395
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Process mining is widely used to diagnose processes and identify performance and compliance issues. Specifically, Predictive Process Monitoring (PPM) techniques use AI models to predict outcomes of ongoing process instances. While these models can achieve high predictive performance, their black-box nature makes it difficult to understand the underlying reasons behind their output predictions. In this paper, we propose a novel approach for generating local (case-level) explanations of process monitor predictions based on the framework of actual causality. We define a causal model tailored to processes that captures temporal dependencies between events in a trace, thus allowing us to reason about causal influence of events on the predicted outcome. Our method uses this model implicitly to compute causes and quantify the importance of different events with respect to the predicted outcome. We present a practical, model-agnostic algorithm that approximates event responsibility given the process structure reflected in the causal model. We evaluate our approach on a range of datasets derived from real-life event logs from a standard PPM benchmark. Each dataset contains up to 130,000 traces, with trace lengths of up to 1,800 events and up to 400 distinct event types. We compare our approach with state-of-the-art local explanation methods. The results demonstrate that our approach produces more stable and concise explanations while maintaining competitive efficiency.
• Abstract（参考訳）: プロセスマイニングは、プロセスの診断とパフォーマンスとコンプライアンスの問題の特定に広く利用されている。 具体的には、予測プロセスモニタリング(PPM)技術は、AIモデルを使用して進行中のプロセスインスタンスの結果を予測する。 これらのモデルは高い予測性能を達成することができるが、ブラックボックスの性質は、出力予測の背後にある根本的な理由を理解するのを困難にしている。 本稿では,プロセスモニタの局所的(ケースレベルの)説明を,実際の因果関係の枠組みに基づいて生成する手法を提案する。 我々は、トレース中のイベント間の時間的依存関係をキャプチャするプロセスに適した因果モデルを定義し、予測された結果に対するイベントの因果的影響を推論する。 提案手法では,このモデルを暗黙的に用いて原因を計算し,予測結果に関して異なる事象の重要性を定量化する。 本稿では,プロセス構造が因果モデルに反映されていることを考慮し,事象の責任を近似する実用的なモデルに依存しないアルゴリズムを提案する。 提案手法は,PPMベンチマークによる実生活イベントログから得られたデータセットに対して評価する。 各データセットには最大13万のトレースがあり、トレースの長さは最大1,800のイベントと最大400のイベントタイプがある。 我々はこの手法を最先端の局所的説明法と比較する。 その結果,本手法は競争効率を維持しつつ,より安定かつ簡潔に説明できることを示した。

関連論文リスト

• Feature Attribution-Based Explainability Analysis of Deep Learning Models in Predictive Process Monitoring [2.9503907416726745]
  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。
  論文  参考訳（メタデータ） (2026-07-20T10:15:47Z)
• 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)
• Detecting Anomalous Events in Object-centric Business Processes via Graph Neural Networks [55.583478485027]
  本研究では,ビジネスプロセスにおける異常検出のための新しいフレームワークを提案する。 まず、属性グラフとしてオブジェクト中心のイベントログのプロセス依存性を再構築する。 次に、異常事象を検出するために、グラフ畳み込みオートエンコーダアーキテクチャを用いる。
  論文  参考訳（メタデータ） (2024-02-14T14:17:56Z)
• Towards Out-of-Distribution Sequential Event Prediction: A Causal Treatment [72.50906475214457]
  シーケンシャルなイベント予測の目標は、一連の歴史的なイベントに基づいて次のイベントを見積もることである。 実際には、次のイベント予測モデルは、一度に収集されたシーケンシャルなデータで訓練される。 文脈固有の表現を学習するための階層的な分岐構造を持つフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-24T07:54:13Z)
• Avoiding Post-Processing with Event-Based Detection in Biomedical Signals [69.34035527763916]
  学習対象としてイベントを直接扱うイベントベースのモデリングフレームワークを提案する。 イベントベースのモデリング(後処理なし)は、広範囲な後処理を伴うエポックベースのモデリングと同等以上のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2022-09-22T13:44:13Z)
• Alignment-based conformance checking over probabilistic events [4.060731229044571]
  本稿では、重み付きトレースモデルと重み付きアライメントコスト関数と、イベントデータに対する信頼度を制御するカスタムしきい値パラメータを導入する。 結果のアルゴリズムは、プロセスモデルとよりよく一致した、低いが十分に高い確率のアクティビティを考慮します。
  論文  参考訳（メタデータ） (2022-09-09T14:07:37Z)
• 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)
• Process Model Forecasting Using Time Series Analysis of Event Sequence Data [0.23099144596725568]
  過去のイベントデータからプロセスモデル全体を予測する手法を開発しています。 本実装は,実世界のイベントログデータに対する手法の精度を示す。
  論文  参考訳（メタデータ） (2021-05-03T18:00:27Z)
• Cause vs. Effect in Context-Sensitive Prediction of Business Process Instances [0.440401067183266]
  本稿では、次の事象の原因または影響のコンテキストの問題と、次の事象の予測への影響について論じる。 確率モデルに関する従来の研究を活用し、動的ベイズネットワーク技術を開発した。 本稿では,本手法を2つの実生活データセットを用いて評価し,予測プロセス監視分野の他の手法とベンチマークする。
  論文  参考訳（メタデータ） (2020-07-15T08:58:15Z)

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。