Alignment-based conformance checking over probabilistic events

要約

適合性チェック技術を使用すると、監視されたイベントのトレースによって表される一部の動作が、指定されたプロセス モデルにどの程度適合しているかを評価できます。
センサー、IoT、統計、AI に依存するものなど、最新の監視およびアクティビティ認識テクノロジは、関連する豊富なイベント データを生成できます。
ただし、このデータは通常、ノイズと不確実性によって特徴付けられます。これは、適合性チェック アルゴリズムで必要とされる決定論的なイベント ログの仮定とは対照的です。
このホワイト ペーパーでは、アラインメント ベースの適合性チェックを、確率論的イベント ログの下で機能するように拡張します。
加重トレース モデルと加重アライメント コスト関数、およびプロセス モデルに対するイベント データの信頼レベルを制御するカスタムしきい値パラメーターを導入します。
結果として得られるアルゴリズムは、プロセス モデルとよりよく一致する、より低いが十分に高い確率のアクティビティを考慮します。
アルゴリズムとその動機を形式的および直感的な観点から説明し、実際のデータセットを使用した決定論的アライメントと比較してその機能を示します。

要約(オリジナル)

Conformance checking techniques allow us to evaluate how well some exhibited behaviour, represented by a trace of monitored events, conforms to a specified process model. Modern monitoring and activity recognition technologies, such as those relying on sensors, the IoT, statistics and AI, can produce a wealth of relevant event data. However, this data is typically characterised by noise and uncertainty, in contrast to the assumption of a deterministic event log required by conformance checking algorithms. In this paper, we extend alignment-based conformance checking to function under a probabilistic event log. We introduce a weighted trace model and weighted alignment cost function, and a custom threshold parameter that controls the level of confidence on the event data vs. the process model. The resulting algorithm considers activities of lower but sufficiently high probability that better align with the process model. We explain the algorithm and its motivation both from formal and intuitive perspectives, and demonstrate its functionality in comparison with deterministic alignment using real-life datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google