Combining Abstract Argumentation and Machine Learning for Efficiently Analyzing Low-Level Process Event Streams

要約

プロセストレースの監視と分析は、現代の企業や組織にとって重要なタスクです。
トレースイベントと参照ビジネスアクティビティの間にギャップがあるシナリオでは、これには解釈の問題が必要であり、進行中の各イベントをアクティビティインスタンスの対応するステップに翻訳することになります。
解釈の問題を抽象的な議論フレームワーク（AAF）内の受け入れ問題として構築する最近のアプローチに基づいて、もっともらしい出来事の解釈（おそらく集約された形式）をエレガントに分析し、以前のプロセス知識と対立する人々の説明を提供することができます。
イベントからアクティビティへのマッピングが非常に不確実である（または単に指定されていない）設定では、この推論に基づくアプローチが低語に基づいた結果と重い計算をもたらす可能性があるため、コンテキストを使用して非常に強化できる候補者のイベント解釈を提案するように訓練されたシーケンセタグモデルを発見することを考えることができます。
ただし、このようなモデルを最適にトレーニングするには、手動で発表された大量のサンプルトレースを使用する必要があります。
環境的および社会的持続可能性（労働力/計算コストの削減と炭素排出量の削減）を可能にするグリーンAIソリューションを開発する緊急の必要性を考慮して、問題に対するデータ/計算効率の良いニューロサンボリックアプローチを提案します。
これにより、実験結果で確認されているように、事前の知識を活用して、例データの希少性を補償することもできます。
明らかに、このプロパティは、データアノテーションとモデルの最適化コストが厳しい制約の対象となる設定で特に役立ちます。

要約(オリジナル)

Monitoring and analyzing process traces is a critical task for modern companies and organizations. In scenarios where there is a gap between trace events and reference business activities, this entails an interpretation problem, amounting to translating each event of any ongoing trace into the corresponding step of the activity instance. Building on a recent approach that frames the interpretation problem as an acceptance problem within an Abstract Argumentation Framework (AAF), one can elegantly analyze plausible event interpretations (possibly in an aggregated form), as well as offer explanations for those that conflict with prior process knowledge. Since, in settings where event-to-activity mapping is highly uncertain (or simply under-specified) this reasoning-based approach may yield lowly-informative results and heavy computation, one can think of discovering a sequencetagging model, trained to suggest highly-probable candidate event interpretations in a context-aware way. However, training such a model optimally may require using a large amount of manually-annotated example traces. Considering the urgent need of developing Green AI solutions enabling environmental and societal sustainability (with reduced labor/computational costs and carbon footprint), we propose a data/computation-efficient neuro-symbolic approach to the problem, where the candidate interpretations returned by the example-driven sequence tagger is refined by the AAF-based reasoner. This allows us to also leverage prior knowledge to compensate for the scarcity of example data, as confirmed by experimental results; clearly, this property is particularly useful in settings where data annotation and model optimization costs are subject to stringent constraints.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google