Knowledge-Driven Modulation of Neural Networks with Attention Mechanism for Next Activity Prediction

要約

予測プロセス監視 (PPM) は、履歴プロセス実行データを活用して、進行中の実行が完了するまでどのように継続されるかを予測することを目的としています。
近年、次のアクティビティを予測するための PPM 技術は、主に予測子としてニューラル ネットワーク (NN) を使用したおかげで、大幅に成熟しました。
一般的なケースではそれらのパフォーマンスに勝つのは困難ですが、背景プロセスの知識が役立つ特定の状況もあります。
このような知識は、例外的なプロセスの実行やコンセプトのドリフトによりプロセスが変化した場合の予測の品質を向上させるために活用できます。
この論文では、手続き型プロセス モデルの観点から表現された背景知識を活用してトレーニング データのアンダーサンプリングを相殺する Symbolic[Neuro] システムを紹介します。
具体的には、NN 分野の新興技術であるアテンション メカニズムを備えた NN を使用して予測を行います。
このシステムはいくつかの実際のログでテストされ、予測タスクのパフォーマンスの向上が示されています。

要約(オリジナル)

Predictive Process Monitoring (PPM) aims at leveraging historic process execution data to predict how ongoing executions will continue up to their completion. In recent years, PPM techniques for the prediction of the next activities have matured significantly, mainly thanks to the use of Neural Networks (NNs) as a predictor. While their performance is difficult to beat in the general case, there are specific situations where background process knowledge can be helpful. Such knowledge can be leveraged for improving the quality of predictions for exceptional process executions or when the process changes due to a concept drift. In this paper, we present a Symbolic[Neuro] system that leverages background knowledge expressed in terms of a procedural process model to offset the under-sampling in the training data. More specifically, we make predictions using NNs with attention mechanism, an emerging technology in the NN field. The system has been tested on several real-life logs showing an improvement in the performance of the prediction task.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google