ProCause: Generating Counterfactual Outcomes to Evaluate Prescriptive Process Monitoring Methods
ProCause：生成反事实结果以评估处方式流程监控方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要围绕干预的反事实结果生成与政策评估，明确采用多种因果推断模型架构。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
ProCause：生成反事实结果以评估处方式流程监控方法
- 研究问题
- 事件日志缺少各项干预的真实反事实结果时，如何生成可用于政策评估的结果，并处理流程数据的时间依赖与模型选择问题？
- 方法与思路
- 作者提出 ProCause 生成框架，兼容序列与非序列模型，整合 S-Learner、T-Learner、TARNet 及集成方法。
- 材料陈述的贡献
- 摘要称已知真值模拟中，模型集成较为稳定，LSTM 在存在时间依赖时显示改进潜力，并通过真实数据分析展示实践用途。
- 阅读关注点
- 应核对生成模型的因果识别依据、模拟器与真实流程的差异，以及反事实生成误差如何传递至干预政策的评估结果。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明识别假设、评估指标及真实数据验证标准，生成结果不能视为已观测的反事实真值。
原文摘要
Prescriptive Process Monitoring (PresPM) is the subfield of Process Mining that focuses on optimizing processes through real-time interventions based on event log data. Evaluating PresPM methods is challenging due to the lack of ground-truth outcomes for all intervention actions in datasets. A generative deep learning approach from the field of Causal Inference (CI), RealCause, has been commonly used to estimate the outcomes for proposed intervention actions to evaluate a new policy. However, RealCause overlooks the temporal dependencies in process data, and relies on a single CI model architecture, TARNet, limiting its effectiveness. To address both shortcomings, we introduce ProCause, a generative approach that supports both sequential (e.g., LSTMs) and non-sequential models while integrating multiple CI architectures (S-Learner, T-Learner, TARNet, and an ensemble). Our research using a simulator with known ground truths reveals that TARNet is not always the best choice; instead, an ensemble of models offers more consistent reliability, and leveraging LSTMs shows potential for improved evaluations when temporal dependencies are present. We further validate ProCause's practical effectiveness through a real-world data analysis, ensuring a more reliable evaluation of PresPM methods.