Discussion: Effective and Interpretable Outcome Prediction by Training Sparse Mixtures of Linear Experts

要約

プロセス結果の予測には、未完了のプロセス インスタンスの部分的なトレースからその個別のプロパティを予測することが含まれます。
アンサンブルおよびディープラーニング手法で発見された大容量の結果予測子は、最高の精度のパフォーマンスを達成することが示されていますが、透明性の欠如に悩まされています。
本質的に解釈可能な結果予測変数を学習するための最近の取り組みと合わせて、「ゲート」サブネットと「エキスパート」サブネットの両方がロジスティックリグレッサーである、まばらな専門家の混合をトレーニングすることを提案します。
このアンサンブルのようなモデルは、モデルのトレーニング前にグローバルな特徴選択ステップを実行する一般的なアプローチの代替として、各サブネット内の入力特徴のサブセットを自動的に選択しながら、エンドツーエンドでトレーニングされます。
ベンチマーク ログのテスト結果により、このアプローチの有効性と有効性が確認されました。

要約(オリジナル)

Process Outcome Prediction entails predicting a discrete property of an unfinished process instance from its partial trace. High-capacity outcome predictors discovered with ensemble and deep learning methods have been shown to achieve top accuracy performances, but they suffer from a lack of transparency. Aligning with recent efforts to learn inherently interpretable outcome predictors, we propose to train a sparse Mixture-of-Experts where both the “gate” and “expert” sub-nets are Logistic Regressors. This ensemble-like model is trained end-to-end while automatically selecting a subset of input features in each sub-net, as an alternative to the common approach of performing a global feature selection step prior to model training. Test results on benchmark logs confirmed the validity and efficacy of this approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google