过程挖掘中的可解释人工智能：评估面向结果的预测过程监控中的可解释性性能权衡；一种基于大脑的低维计算分类器，用于在微型设备上进行推理；具有脉冲神经元的脑激励多层感知器；SIT：一种用于脉冲神经网络的仿生

中文标题：过程挖掘中的可解释人工智能：评估面向结果的预测过程监控中的可解释性性能权衡
英文标题：Explainable Artificial Intelligence in Process Mining: Assessing the Explainability-Performance Trade-Off in Outcome-Oriented Predictive Process Monitoring
时间：2022.3.30
作者：Alexander Stevens, Johannes De Smedt
机构：鲁汶大学
链接：https://arxiv.org/pdf/2203.16073.pdf
简介：
最近，以结果为导向的预测过程监控（OOPPM）领域发生了转变，使用可解释人工智能范式中的模型，但评估仍然主要通过基于绩效的指标进行，而不是考虑解释的含义和缺乏可操作性。在本文中，我们通过解释的可解释性（通过广泛使用的XAI属性简约性和功能复杂性）和解释性模型的可信度（通过单调性和不一致程度）来定义可解释性。从事件、案例和控制流的角度分析引入的属性，这是基于流程的分析的典型特征。除其他外，这允许对固有的解释（如逻辑回归系数）与事后解释（如Shapley值）进行定量比较。此外，本文还提供了一个名为X-MOP的指南，帮助从业者根据事件日志规范和手头的任务选择合适的模型，深入了解OOPPM中典型的不同预处理、模型复杂性和事后解释性技术如何影响模型的可解释性。为此，我们在13个真实事件日志上对7个分类器进行了基准测试。

中文标题：一种基于大脑的低维计算分类器，用于在微型设备上进行推理
英文标题：A Brain-Inspired Low-Dimensional Computing Classifier for Inference on Tiny Devices
时间：2022.3.9
作者：Shijin Duan, Xiaolin Xu, Shaolei Ren
机构：东北大学、加州大学
链接：https://arxiv.org/pdf/2203.04894.pdf
简介：
通过模仿类似大脑的认知并利用并行性，超维计算（HDC）分类器已经成为一个轻量级框架，以实现高效的设备上推理。然而，它们有两个基本缺点，即启发