Feb, 2022

预测过程监控结果可解释性：你能看到我的数据问题吗？

PDF
TL;DR本文探讨了预测业务流程监控（PPM）中不同设置对 ML 模型的影响，并研究了导致生成不同解释的原因。
predictive business process monitoringprocess miningmachine learningexplainable artificial intelligenceml model
发现论文，激发创造
  • 可解释的预测过程监控：用户评估

    本研究在预测过程监测领域进行用户评估，旨在探究模型解释是否可理解、在决策制定任务中是否有用以及如何使其更适合过程分析师，结果表明，说明套装总体上对业务流程管理用户具有可理解性和对决策制定任务有用，但不同绘图方式的理解和使用存在差异，不同机器学习专业水平的用户对其理解和使用方式也有所不同。

    Feb, 2022

  • 可解释可解释的机器学习方法用于预测过程监控：系统文献综述

    该论文通过 PRISMA 框架对机器学习模型的可解释性和可解释性进行了系统的文献综述，重点研究了在预测性过程挖掘中使用复杂业务流程数据训练的机器学习模型的解释挑战，区分了内在可解释模型和需要事后解释技术的模型，并全面概述了当前方法在各应用领域的应用及其应用。通过严格的文献分析，该研究对预测性过程挖掘中的可解释性和可解释性状况进行了详细综合，识别了关键趋势、挑战和未来发展方向。研究结果旨在为研究人员和实践者提供更深入的了解，以开发和实施更可靠、透明和有效的智能预测性过程分析系统。

    Dec, 2023

  • 可解释的人工智能用于过程建模的改进

    通过使用现代 Transformer 架构和传统机器学习技术，评估模拟过程规律的能力，并突出关键特征，提高模型预测能力。证明了应用机器学习模型预测关键业务流程的有效性以及 XAI 组件提供的新见解。

    Dec, 2022

  • 可解释预测性维护

    本文强调了现有可解释人工智能的方法与行业应用之间的鸿沟，并探讨了特定于预测维护领域的解释方案的需求和不同目的，列举和描述了通常在文献中使用的可解释人工智能技术，最后展示了四个特定的工业用途案例。

    Jun, 2023

  • 预测业务流程监控的反事实解释

    LORELEY 是一个可解释的 AI 技术，在预测业务流程监控中提供了可接受的对事实解释以及对事实的否定解释，根据业务流程监控中的控制流约束生成了逼近预测模型并且生成逼真的反事实解释。

    Feb, 2022

  • 流程结果预测中的可解释性：获取可解释和忠实模型的指南

    本文提出了一种解释性度量方式并应用于基于过程的结果预测领域，然后通过对 13 个现实事件日志的实验测试七个分类器和可解释技术，提供了一个名为 X-MOP 的指南，以选择合适的模型。

    Mar, 2022

  • 解释，适应和重新训练：如何通过不同的解释风格提高 PPM 分类器的准确性

    本研究介绍了一种新的方法来解释为什么预测性过程监控 (PPM) 模型提供错误预测，并通过使用最先进的后期解释器获得的解释来在半自动化方式下识别导致预测产品出错的最常见特征，并减少这些特征的影响，提高预测模型的准确性，主要包括预测性过程监控、后期解释器、以结果为导向的预测、频繁的控制流模式和 DECLARE 约束。

    Mar, 2023

  • 可解释性预测维护：现有方法、挑战与机遇的调查

    通过使用人工智能和机器学习来预测最佳维护时间，预测性维护是一套经过深入研究的技术集合，旨在延长机械系统的使用寿命。当这些方法被应用于更为严重且潜在危及生命的应用时，人类操作员需要对预测系统产生信任，这就引入了可解释的人工智能 (XAI) 领域，以提高用户对预测系统的信任度和性能.

    Jan, 2024

  • 隐私与可解释性：全面影响基准

    该研究首次研究了隐私学习技术对基于深度学习模型的生成解释的影响，并在多个领域的各种图像和时间序列数据集上进行了详尽的实验分析，提出了在实际应用中该选择哪种技术的明确建议。

    Nov, 2022

  • 基于跨案例的预测过程监控：量子机器学习的候选方案？

    本文利用最新的机器学习技术，综合分析了 Inter-case Predictive Process Monitoring (PPM) 对预测准确性的影响，研究表明多个 instance 之间的特征提取能够提高预测准确性，并且在少量特征配置下，量子算法表现优异。最后，研究者实现了一个开源插件，将先进的工作流引擎与 IBM 量子计算云服务相连接。

    Jun, 2023