.png){kind=icon}
返回
An explainable machine learning framework for recurrent event data analysis
.png){kind=icon}
OA
AI
DOI：10.1016/j.ejor.2025.09.005.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 引入了一种可解释的点过程，分层Hawkes点过程（SHPP）。
• SHPP能够描述自影响、马尔可夫影响和联合影响。
• 它推导出了SHPP均方稳定的充分条件。
• 它证明了SHPP能够解释复杂的事件驱动系统。
Keyword:
(R) explainable machine learning
Counting process
Hawkes process
Stability
Explainable artificial intelligence
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
6
论文数:
2.2W
被引数:
6.4W
机构
暂无机构信息
引用论文
Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead停止解释高风险决策的黑盒机器学习模型，而改用可解释的模型OAAI
OAAI分享收藏
Chen, C.-M., Chuang, Y.-W., and Shen, P.-S. (2015). Two-stage estimation for multivariate recurrent event data with a dependent terminal event. Biometrical Journal, 57(2):215–233.陈 C.-M.，Chuang Y.-W.，和 Shen P.-S. (2015)。多变量重复事件数据与依赖性终末事件的两阶段估计。生物统计杂志，57(2):215–233。.png)
IF0
PREAI
分享收藏Li, P., Bahri, O., Boubrahimi, S. F., and Hamdi, S. M. (2023). Attention-based counterfactual explanation for multivariate time series. In International Conference on Big Data Analytics and Knowledge Discovery, pages 287–293. Springer.Li, P., Bahri, O., Boubrahimi, S. F., and Hamdi, S. M. (2023). 基于注意力的反事实解释方法用于多变量时间序列。发表于国际大数据分析与知识发现会议，第287-293页。Springer出版社。
IF0
PREAI
分享收藏分享收藏
查看更多内容