Визуальный анализ причинно-следственной связи данных о последовательности событий помог разработать критерии для оценки системы

Источник фото: pixabay.com

Были разработаны две формы оценки: количественная оценка улучшений модели, полученных благодаря механизму обратной связи с пользователями, и качественная оценка на основе тематических исследований в различных прикладных областях.

Причинно-следственная связь имеет решающее значение для понимания механизмов, лежащих в основе сложных систем, и принятия решений, которые приводят к желаемым результатам.

Данные о последовательности событий широко собираются из многих реальных процессов, таких как электронные медицинские карты, потоки посещений в Интернете и финансовые транзакции, которые передают большой объем информации, отражающей причинно-следственные связи между типами событий.

К сожалению, восстановление причинно-следственных связей на основе наблюдательных последовательностей событий является сложной задачей, поскольку неоднородные и многомерные переменные событий часто связаны с довольно сложными механизмами возбуждения событий, которые трудно вывести из ограниченных наблюдений.

Многие существующие методы автоматизированного причинно-следственного анализа плохо объясняются и не включают в себя достаточный объем человеческих знаний. В новом исследовании ученые представили метод визуальной аналитики для восстановления причинно-следственных связей в данных последовательности событий.

Они расширили алгоритм анализа причинно-следственной связи Грейнджера на процессы Хокса, чтобы учесть отзывы пользователей при уточнении причинно-следственной модели. В итоге у них получилось разработать две формы оценки: количественной и качественной.