Neues Verfahren erklärt Marked Temporal mit Gegenfakt. und Fakt. Ansätzen

Neural‑networkbasierte Marked Temporal Point Process‑Modelle (MTPP) werden zunehmend in hochriskanten Anwendungen eingesetzt, wodurch die Frage nach der Vertrauenswürdigkeit ihrer Vorhersagen immer wichtiger wird. In dieser Studie wird ein neues Konzept zur Erklärung von MTPP vorgestellt, das darauf abzielt, die minimal notwendige und zugleich rationale Erklärung zu identifizieren. Dabei wird die kleinste Teilmenge von Ereignissen aus der Historie bestimmt, die die Vorhersagegenauigkeit des Modells nahezu genauso gut wie die komplette Historie reproduziert und gleichzeitig besser als die Gegenstück‑Menge.

Die Autoren zeigen, dass die direkte Definition einer Erklärung als reine Gegenfaktische oder reine Faktische Erklärung zu unlogischen Ergebnissen führen kann. Um dieses Problem zu lösen, kombinieren sie beide Ansätze und definieren die Erklärung für MTPP als Mischung aus Gegenfaktischer und Faktischer Erklärung. Auf dieser Basis entwickelt das Paper den Counterfactual and Factual Explainer for MTPP (CFF), der speziell auf die Anforderungen von MTPP zugeschnitten ist.

Durch eine Reihe gezielt konzipierter Techniken demonstriert CFF seine Wirksamkeit: In Experimenten übertrifft es etablierte Baselines sowohl in der Qualität der erzeugten Erklärungen als auch in der Verarbeitungseffizienz. Die Ergebnisse legen nahe, dass CFF ein vielversprechendes Werkzeug für die transparente und nachvollziehbare Nutzung von MTPP in kritischen Bereichen darstellt.

Die vorgestellte Methode bietet damit einen wichtigen Schritt hin zu vertrauenswürdigen, erklärbaren Vorhersagen in zeitlich geprägten Ereignissequenzen und eröffnet neue Perspektiven für die Anwendung von MTPP in Bereichen, in denen Entscheidungen auf Basis von Ereignisprognosen von entscheidender Bedeutung sind.