CREATED: Generating Viable Counterfactual Sequences for Predictive Process Analytics

要約

予測プロセス分析は、実行中のプロセス インスタンスの結果など、将来の状態を予測することに重点を置いています。
これらの手法では、多くの場合、機械学習モデルまたは深層学習モデル (LSTM など) を使用してそのような予測を行います。
ただし、これらの深いモデルは複雑であり、ユーザーが理解するのは困難です。
反事実は、予測の背後にある理由を理解するために使用される「もしも」の質問に答えます。
たとえば、顧客に電子メールを送信する代わりに、顧客に電話をかけている場合はどうなるでしょうか?
この代替案は異なる結果につながるでしょうか?
反事実シーケンスを生成する現在の方法は、プロセスの動作を考慮せず、無効または実行不可能な反事実プロセス インスタンスを生成するか、ドメイン知識に大きく依存しています。
この作業では、進化的方法を使用して反事実シーケンスを生成する一般的なフレームワークを提案します。
私たちのフレームワークは、ドメインの知識を必要としません。
代わりに、マルコフモデルをトレーニングして、生成された反事実シーケンスの実現可能性を計算し、他の 3 つの尺度 (結果予測のデルタ、類似性、スパース性) を適応させて、それらの全体的な実行可能性を確保することを提案します。
評価は、実行可能な反事実シーケンスを生成し、実行可能性においてベースライン メソッドを上回り、ドメイン知識を必要とする最先端の方法と比較した場合に同様の結果をもたらすことを示しています。

要約(オリジナル)

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 make such predictions. However, these deep models are complex and difficult for users to understand. Counterfactuals answer “what-if” questions, which are used to understand the reasoning behind the predictions. For example, what if instead of emailing customers, customers are being called? Would this alternative lead to a different outcome? Current methods to generate counterfactual sequences either do not take the process behavior into account, leading to generating invalid or infeasible counterfactual process instances, or heavily rely on domain knowledge. In this work, we propose a general framework that uses evolutionary methods to generate counterfactual sequences. Our framework does not require domain knowledge. Instead, we propose to train a Markov model to compute the feasibility of generated counterfactual sequences and adapt three other measures (delta in outcome prediction, similarity, and sparsity) to ensure their overall viability. The evaluation shows that we generate viable counterfactual sequences, outperform baseline methods in viability, and yield similar results when compared to the state-of-the-art method that requires domain knowledge.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google