ProCause：用于评估 Prescriptive Process Monitoring 方法的反事实结果生成
机器学习
2025-09-03 v1 人工智能
统计方法学
摘要
Prescriptive Process Monitoring (PresPM) 是 Process Mining 领域的一个子领域，专注于通过基于事件日志数据的实时干预来优化过程。评估 PresPM 方法面临挑战，因为数据集中缺乏所有干预动作的 ground-truth outcomes。来自因果推断（CI）领域的生成式深度学习方法 RealCause 常用于估计提出的干预动作的 outcomes 以评估新政策。然而，RealCause 忽略了过程数据中的时序依赖性，并且仅依赖单一 CI 模型架构 TARNet，限制了其有效性。为解决这两个不足，本文引入 ProCause，一种支持序列模型（如 LSTM）和非序列模型的生成方法，同时集成多个 CI 架构（S-Learner、T-Learner、TARNet 和集成方法）。我们的研究使用具有已知 ground truth 的模拟器揭示了 TARNet 并非总是最佳选择；相反，集成模型提供了更一致的可靠性，利用 LSTM 在存在时序依赖性时显示出潜在的改进效果。我们进一步通过真实世界数据分析验证了 ProCause 的实际有效性，确保了对 PresPM 方法进行更可靠的评估。
引用
@article{arxiv.2509.00797,
title = {ProCause: Generating Counterfactual Outcomes to Evaluate Prescriptive Process Monitoring Methods},
author = {Jakob De Moor and Hans Weytjens and Johannes De Smedt},
journal= {arXiv preprint arXiv:2509.00797},
year = {2025}
}