.png){kind=icon}
返回
Towards Trace Variant Explainability
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-05281-0_7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
理解过程变异性仍然是流程挖掘中的关键挑战，尤其是在分析捕获现代系统中多样化行为模式的轨迹变体时，这些系统以高数据量和复杂性为特征。本文提出了一种多视角解释框架，能够通过全局和局部解释对轨迹变体进行可解释分析。我们的方法首先使用包括活动、转换、案例和事件级信息在内的多视角对轨迹进行编码，并应用适用于结构和性能方面的名义和时间策略。然后，它引入了一个双层解释机制：在全局层面，变体代表与全局行为配置文件进行比较以突出关键区分特征；在局部层面，单个轨迹与其分配的代表进行对比，以揭示驱动其包含的具体因素。该框架与各种变体分析技术兼容，只要可以定义代表（例如中心点或中心节点）。我们使用基准事件日志和可解释的可视化来证明该方法的有效性，展示了它如何在轨迹变体分析中支持透明度、信任和诊断洞察。
Keyword:
Process mining
Conformance Checking
Clustering
Explainability
Variant analysis
Multi-perspective
期刊
A
IF:
0
论文数:
19
被引数:
0
机构
引用论文
分享收藏A Lightweight BPMN Extension for Business Process-Oriented Requirements Engineering一种轻量级的业务流程导向需求工程BPMN扩展.png)
Computers
ComputersIF0
PREAI
分享收藏Explainable Artificial Intelligence (XAI) 2.0: A manifesto of open challenges and interdisciplinary research directions可解释人工智能 (XAI) 2.0: 开放挑战和跨学科研究方向的宣言INFORMATION FUSION
OAAI
INFORMATION FUSIONIF15.5
OAAI分享收藏From Anecdotal Evidence to Quantitative Evaluation Methods: A Systematic Review on Evaluating Explainable AI从轶事证据到定量评估方法: 评估可解释AI的系统回顾
OAAI
OAAI分享收藏分享收藏
查看更多内容