How do I update my model? On the resilience of Predictive Process Monitoring models to change

要約

よく調査された既存の予測プロセス監視技術は通常、過去のプロセスの実行に基づいて予測モデルを構築し、それを使用して新しい進行中のケースの将来を予測しますが、実行が完了したときに新しいケースで更新する可能性はありません。
これにより、予測プロセス監視が厳格になり、時間の経過とともに継続的に進化したり、新たな動作の変化を示したりする実際の環境で動作するプロセスの変動に対処できなくなる可能性があります。
この問題の解決策として、新しい利用可能なデータを活用するために予測モデルの定期的な再発見または増分構築を可能にする 3 つの異なる戦略の使用を評価します。
評価では、元の予測モデルと比較した精度と時間の観点から、新しく学習した予測モデルのパフォーマンスに焦点を当て、明示的なコンセプト ドリフトの有無にかかわらず、多数の実際のデータセットと合成データセットを使用します。
この結果は、実際の環境におけるプロセス監視を予測するための増分学習アルゴリズムの可能性を示す証拠を提供します。

要約(オリジナル)

Existing well investigated Predictive Process Monitoring techniques typically construct a predictive model based on past process executions, and then use it to predict the future of new ongoing cases, without the possibility of updating it with new cases when they complete their execution. This can make Predictive Process Monitoring too rigid to deal with the variability of processes working in real environments that continuously evolve and/or exhibit new variant behaviours over time. As a solution to this problem, we evaluate the use of three different strategies that allow the periodic rediscovery or incremental construction of the predictive model so as to exploit new available data. The evaluation focuses on the performance of the new learned predictive models, in terms of accuracy and time, against the original one, and uses a number of real and synthetic datasets with and without explicit Concept Drift. The results provide an evidence of the potential of incremental learning algorithms for predicting process monitoring in real environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google