解释、适配与重训练：通过不同解释风格提升 PPM 分类器精度
机器学习
2023-03-28 v1 人工智能
摘要
近期论文提出了一种新方法来解释面向结果预测的预测过程监控（PPM）模型为何给出错误预测。此外，它们展示了如何利用使用最先进事后解释器获得的解释，以半自动化方式识别导致预测器出错的最常见特征，进而降低这些特征的影响并提高预测模型的精度。本文始于这样一个假设：事件日志中频繁的控制流模式可能代表表征并因此解释某种预测的重要特征。因此，在本文中我们（i）采用一种能够利用 DECLARE 约束进行预测过程监控的新编码，并将该编码与最先进的预测过程监控编码（尤其针对结果预测任务）的有效性进行比较；（ii）引入一种完全自动化的流水线，用于识别导致预测器出错的最常见特征；（iii）通过在不同真实数据集上验证该流水线，展示其在提高预测模型精度方面的有效性。
引用
@article{arxiv.2303.14939,
title = {Explain, Adapt and Retrain: How to improve the accuracy of a PPM classifier through different explanation styles},
author = {Williams Rizzi and Chiara Di Francescomarino and Chiara Ghidini and Fabrizio Maria Maggi},
journal= {arXiv preprint arXiv:2303.14939},
year = {2023}
}