Mar, 2024

通过临床背景知识指导预测流程监控的逆事实解释生成

PDF
TL;DR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。
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

  • 反事实编辑器的反事实分析：一种基于回译的方法

    通过提出一个新的反向翻译的评估方法，我们针对自然语言处理模型和任务的解释方法的一致性问题进行了调查和分析，并提出了一种新的测量指标来评估不同特征的反事实生成方法的一致性。

    May, 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

  • CREATED: 为预测过程分析生成可行的反事实序列

    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。

    Mar, 2023

  • 时空图形反事实：概览

    通过比较不同的反事实模型、理论和方法，并构建统一的图形因果框架，为推断时空反事实提供了一个调查研究。

    Jul, 2024

  • 对策说明的随机优化

    通过提出一种基于随机学习的框架和特征选择模块来平衡反事实解释的权衡，本研究在生成可行的反事实解释方面展现了其有效性，并表明其比基线更加多样化和高效。

    Sep, 2022

  • 基于深度学习的交通预测的对立解释

    通过反事实解释方法增强可解释性和可用性，揭示深度学习模型学习的交通模式，提高交通预测模型的透明性和可理解性。

    May, 2024

  • 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

  • 基于实例的时间序列分类对抗解释

    本文提出了一种模型无关的案例技术 ——Native Guide，用于生成时间序列分类器的反事实解释，该技术通过突出和修改分类的基础部分来调整已有的反事实情况，并通过两个比较实验的定量和定性结果验证了其优越性。

    Sep, 2020