CREATED: 为预测过程分析生成可行的反事实序列

Mar, 2023

CREATED: 为预测过程分析生成可行的反事实序列

CREATED: Generating Viable Counterfactual Sequences for Predictive Process Analytics

Olusanmi Hundogan, Xixi Lu, Yupei Du, Hajo A. Reijers

TL;DR该研究提出了一种无需领域知识的通用框架来生成可行的反事实序列，其包括使用马尔可夫模型计算可行性并调整三个度量以确保其整体的可行性，相较于需要领域知识的最新方法表现良好，并且可以生成可行的反事实序列。

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 mak

predictive process analytics machine learning models deep learning models counterfactuals evolutionary methods

发现论文，激发创造

生成商业流程结果预测的可行和可信的反事实解释

利用 REVISEDplus 数据驱动方法，通过在高密度区域内生成可行且合理的反事实解释，学习过程案例中活动之间的顺序模式，并评估反事实解释的有效性。

Mar, 2024

考虑后果的顺序反事实生成

本文提出了一种基于遗传算法的多目标优化方法，用于解决顺序反事实生成问题。实验结果表明，相比现有的最优方法，该方法生成的解决方案成本更低，更高效，并为用户提供了多种选择。

Apr, 2021

通过临床背景知识指导预测流程监控的逆事实解释生成

通过使用基因算法技术，考虑运行时的一系列时间约束条件，我们在预测性过程监控的解释性领域中，为反事实在生成方面进行了改进，以保持时间背景知识的满意度，以及遵循反事实的传统质量指标。

Mar, 2024

基于反事实模型的可靠决策支持

本研究提出一种新的监督学习目标，预测反事实情况而不是预测现有行动策略下的结果，以支持决策制定，使用我们提出的反事实高斯过程（CGP）来预测在未来行动序列下连续时间轨迹的反事实未来进展，并证明其在风险预测和个体化治疗规划等决策支持任务上的优势。

Mar, 2017

时间序列预测的反事实解释

本研究提出了一种用于时间序列预测的算法 ForecastCF，通过对原始时间序列应用基于梯度的扰动，并应用约束来引导扰动，以获得预期的预测结果。实验结果表明，ForecastCF 在反事实有效性和数据流形接近度方面优于基线模型，可以为各种预测任务生成有意义和相关的反事实解释。

Oct, 2023

针对反事实解释的条件生成模型

该论文提出了一种生成利用条件生成模型来生成稀疏的、在分布中反事实模型解释的通用框架，可适用于不同模态的数据，并说明了该方法在图像、时间序列和混合类型表格数据上的有效性。

Jan, 2021

探究自动生成的反事实数据在情感分析中的有效性

提出了一种自动产生对立数据的方法，基于此数据增广训练集可以有效提高 NLP 模型的性能。

Jun, 2021

基于模型的反事实综合器用于解释

我们提出了一种称为 Model-based Counterfactual Synthesizer (MCS) 的框架，用于解释机器学习模型，它是一种模型解释的新型方法，基于假设数据集构建计算模型的 “反事实解释”，通过使用 CGAN 生成器和 Umbrella Sampling 技术加强设计的正确性，验证了在多个数据集上的有效性和效率，并与其他替代方案进行了比较。

Jun, 2021

使用答案集编程进行反事实生成

使用基于规则的机器学习算法，自动生成反事实解释以实现透明化和可解释性。

Feb, 2024

假设干预下的临床结果预测 —— 用表示学习框架进行反事实推理

本研究提出了一种新的表示学习框架 - 部分概念瓶颈，该框架将反事实解释作为风险模型的嵌入式属性，有助于研究人员和临床医生改进个性化护理，探索干预的假设性差异效应。

May, 2022