利用因果推断与强化学习对流程干预进行定时
机器学习
2023-06-08 v1 人工智能
摘要
从对流程的理解与预测转向其优化, 为企业和其它组织带来了巨大收益。精确定时的流程干预是有效优化的基石。规定性流程监控 (PresPM) 是流程挖掘中专注于流程优化的子领域。新兴的 PresPM 文献识别了最先进的方法, 即因果推断 (CI) 和强化学习 (RL), 却未给出定量比较。多数实验使用历史数据开展, 导致方法评估的准确性存在问题, 并排除了在线 RL。我们的贡献包括使用合成数据开展的关于定时流程干预的实验, 该数据使得真正的在线 RL 以及同 CI 的比较成为可能, 并允许对结果进行准确评估。我们的实验揭示 RL 的策略优于 CI 的策略, 且同时更具鲁棒性。事实上, RL 策略接近于完美策略。与 CI 不同, 未加改变的在线 RL 方法可应用于其它更通用的 PresPM 问题, 如下一个最佳活动推荐。尽管如此, 在无法进行在线学习的设定下, CI 仍有其价值。
引用
@article{arxiv.2306.04299,
title = {Timing Process Interventions with Causal Inference and Reinforcement Learning},
author = {Hans Weytjens and Wouter Verbeke and Jochen De Weerdt},
journal= {arXiv preprint arXiv:2306.04299},
year = {2023}
}