利用人工神经网络学习不确定性以改进业务流程剩余时间预测
机器学习
2021-05-13 v1 人工智能
摘要
人工神经网络总会做出预测，即便完全不确定且不顾后果。这种对不确定性的漠视是其在实践中被采用的一大障碍。然而，现有技术可估计两类主要不确定性：模型不确定性和数据中的观测噪声。贝叶斯神经网络是理论完备的模型，能够学习其预测的模型不确定性。对这些模型及其损失函数稍作修改，也可学习单个样本的观测噪声。本文首次将这些技术应用于预测性流程监控。我们发现它们有助于更准确的预测且运行迅速。然而，其主要益处在于不确定性估计本身，可区分高质量与低质量预测并构建置信区间。这带来了许多有趣应用，使预测系统能更早地以较小数据集被采用，并促进与人类的更好协作。
引用
@article{arxiv.2105.05559,
title = {Learning Uncertainty with Artificial Neural Networks for Improved Remaining Time Prediction of Business Processes},
author = {Hans Weytjens and Jochen De Weerdt},
journal= {arXiv preprint arXiv:2105.05559},
year = {2021}
}
备注
Accepted for the main conference at the Business Process Management Conferences 2021, 6-10 September 2021, Rome, Italy