SKTR: Trace Recovery from Stochastically Known Logs

要約

機械学習の発展とセンサー データの使用量の増加により、決定論的なログへの依存が課題となり、不確実な、特に確率的に既知のログに対する新しいプロセス マイニング ソリューションが必要になります。
この研究では、確率的に既知のログから可能な限り現実に忠実な決定論的なログを生成するタスクである {トレース回復} を定式化します。
効果的なトレース回復アルゴリズムは、不確実な設定に対して信頼できるプロセス マイニング ツールを維持するための強力な支援となります。
私たちは、確率的に既知のログとプロセス モデルの間の最適な調整を回復する、このタスクのためのアルゴリズム フレームワークを 3 つの革新的な機能で提案します。
私たちのアルゴリズム SKTR は、1) マルコフ過程と非マルコフ過程の両方を処理します。
2) 利用可能なプロセス情報、センサーの品質、機械学習の予測能力に応じて、プロセス モデルとログの間の品質ベースのバランスを提供します。
3) ログを作成するための同期積マルチグラフの新しい使用法を提供します。
5 つの公的に利用可能なデータセットを使用した実証分析では、そのうち 3 つは標準的なビデオ キャプチャ ベンチマークに対する予測モデルを使用しており、共通のベースラインと比較して平均相対精度が 10 以上向上していることが示されています。

要約(オリジナル)

Developments in machine learning together with the increasing usage of sensor data challenge the reliance on deterministic logs, requiring new process mining solutions for uncertain, and in particular stochastically known, logs. In this work we formulate {trace recovery}, the task of generating a deterministic log from stochastically known logs that is as faithful to reality as possible. An effective trace recovery algorithm would be a powerful aid for maintaining credible process mining tools for uncertain settings. We propose an algorithmic framework for this task that recovers the best alignment between a stochastically known log and a process model, with three innovative features. Our algorithm, SKTR, 1) handles both Markovian and non-Markovian processes; 2) offers a quality-based balance between a process model and a log, depending on the available process information, sensor quality, and machine learning predictiveness power; and 3) offers a novel use of a synchronous product multigraph to create the log. An empirical analysis using five publicly available datasets, three of which use predictive models over standard video capturing benchmarks, shows an average relative accuracy improvement of more than 10 over a common baseline.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google