English(EN) Feature Attribution-Based Explainability Analysis of Deep Learning Models in Predictive Process Monitoring

新方法增强了过程监控中深度学习的可解释性

作者 PulseAugur 编辑部 · [2 个来源] · 2026-07-20 10:15

研究人员开发了一种新方法，以提高用于预测性过程监控的深度学习模型的可解释性。该技术通过引入一种感知控制流的分割算法，解决了现有特征归因方法在计算复杂性和细节丢失方面的问题。该算法将事件日志分割成有意义的片段，从而能够计算片段级别的 SHAP 解释，以识别过程跟踪的哪些部分会影响预测。该方法已在合成数据以及贷款申请流程和荷兰市政当局行政任务的真实事件日志上进行了验证。 AI

影响通过提供更具可解释性的见解，增强了深度学习模型在业务流程优化中的信任度和采用率。

排序理由该集群描述了一篇新发表在 arXiv 上的研究论文，其中详细介绍了一种新颖的深度学习可解释性方法。

在 Hugging Face Daily Papers 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。我们如何撰写摘要 →

报道来源 [2]

arXiv cs.AI TIER_1 English(EN) · Kseniya Sahatova, Rafael Seidi Oyamada, Xuefei Lu, Johannes De Smedt · 2026-07-21 04:00

基于特征归因的深度学习模型在预测性流程监控中的可解释性分析

arXiv:2607.17783v1 Announce Type: cross Abstract: Predictive process monitoring supports the optimization and control of operational business processes by forecasting the future state or outcome of ongoing cases. While deep neural networks have achieved strong performance for the…
Hugging Face Daily Papers TIER_1 English(EN) · 2026-07-20 10:15

Feature Attribution-Based Explainability Analysis of Deep Learning Models in Predictive Process Monitoring

Predictive process monitoring supports the optimization and control of operational business processes by forecasting the future state or outcome of ongoing cases. While deep neural networks have achieved strong performance for these tasks by modeling sequential dependencies in ev…

报道来源 [2]

基于特征归因的深度学习模型在预测性流程监控中的可解释性分析

Feature Attribution-Based Explainability Analysis of Deep Learning Models in Predictive Process Monitoring

相关实体

相关话题