评估预测性流程分析的可解释方法：一种基于功能的方法
人工智能
2020-12-09 v1 机器学习
摘要
预测性流程分析侧重于预测业务流程运行实例的未来状态。尽管先进的机器学习技术已被用于提高预测的准确性，但由此产生的预测模型缺乏透明度。当前的可解释机器学习方法，如 LIME 和 SHAP，可用于解释黑盒模型。然而，尚不清楚这些方法在解释流程预测模型时的适用程度。在本文中，我们借鉴可解释 AI 领域使用的评估指标，提出了用于评估预测性流程分析中可解释方法的基于功能的评估指标。我们应用所提出的指标来评估 LIME 和 SHAP 在解释基于 XGBoost 构建的流程预测模型时的性能，其中 XGBoost 已被证明在流程预测中相对准确。我们使用三个开源的真实事件日志进行评估，并分析评估结果以得出见解。该研究有助于理解预测性流程分析中可解释方法的可信赖度，这是迈向面向人类用户评估的基础且关键的步骤。
引用
@article{arxiv.2012.04218,
title = {Evaluating Explainable Methods for Predictive Process Analytics: A Functionally-Grounded Approach},
author = {Mythreyi Velmurugan and Chun Ouyang and Catarina Moreira and Renuka Sindhgatta},
journal= {arXiv preprint arXiv:2012.04218},
year = {2020}
}