SCOPE：面向过程干预的顺序因果优化
机器学习
2026-01-12 v3 人工智能
摘要
处方过程监控（PresPM）用于在业务流程中推荐干预措施，以优化关键绩效指标（KPI）。在现实环境中，干预往往不是孤立发生的：组织需要将一系列干预措施组合一致，以联合引导案例的最终结果。现有的PresPM方法在这方面存在不足：许多方法仅关注单一干预决策，而另一些方法则将多个干预独立处理，忽略了它们随时间如何相互作用。那些确实考虑到这些依赖关系的方法，往往依赖于仿真或数据增强来近似过程，以训练强化学习（RL）智能体，这会产生现实差距并引入偏差。我们提出SCOPE，一种面向联合顺序干预推荐的PresPM方法。SCOPE采用逆归纳法来估计每个备选干预动作的影响，将其从最终决策点传播回初始步骤。通过利用因果学习器，该方法可直接利用观测数据，而无需为强化学习构建过程近似模型。实验在现有的合成数据集和新的半合成数据集上均表明，SCOPE在优化KPI方面 consistently 优于最新的PresPM技术。本文提供的新型半合成设置基于真实事件日志，作为面向顺序PresPM的未来工作基准。
引用
@article{arxiv.2512.17629,
title = {SCOPE: Sequential Causal Optimization of Process Interventions},
author = {Jakob De Moor and Hans Weytjens and Johannes De Smedt and Jochen De Weerdt},
journal= {arXiv preprint arXiv:2512.17629},
year = {2026}
}