HOEG: A New Approach for Object-Centric Predictive Process Monitoring

要約

予測プロセス監視は、残り時間の予測など、進行中のプロセス実行の将来の状態を予測することに重点を置いています。
オブジェクト中心のプロセス マイニングの最近の開発により、オブジェクトとイベント間の明示的な関係を含むイベント データが強化されました。
この充実したデータを活用するために、イベントとオブジェクトをさまざまなノード タイプのグラフ構造に統合するヘテロジニアス オブジェクト イベント グラフ エンコーディング (HOEG) を提案します。
オブジェクトの特徴を集約せずにこれを行うため、より微妙で有益な表現が作成されます。
次に、これらの多様なオブジェクトの機能を予測タスクに組み込む、異種グラフ ニューラル ネットワーク アーキテクチャを採用します。
残り時間を予測する際の HOEG のパフォーマンスとスケーラビリティを評価し、確立された 2 つのグラフベースのエンコーディングと 2 つのベースライン モデルに対してベンチマークを行います。
私たちの評価では、オランダの大手金融機関における実際のプロセスからの 1 つを含む 3 つのオブジェクト中心イベント ログ (OCEL) を使用します。
結果は、HOEG が既存のモデルと十分に競合し、OCEL に情報オブジェクトの属性とイベントとオブジェクトの相互作用が含まれている場合にそれらを上回ることを示しています。

要約(オリジナル)

Predictive Process Monitoring focuses on predicting future states of ongoing process executions, such as forecasting the remaining time. Recent developments in Object-Centric Process Mining have enriched event data with objects and their explicit relations between events. To leverage this enriched data, we propose the Heterogeneous Object Event Graph encoding (HOEG), which integrates events and objects into a graph structure with diverse node types. It does so without aggregating object features, thus creating a more nuanced and informative representation. We then adopt a heterogeneous Graph Neural Network architecture, which incorporates these diverse object features in prediction tasks. We evaluate the performance and scalability of HOEG in predicting remaining time, benchmarking it against two established graph-based encodings and two baseline models. Our evaluation uses three Object-Centric Event Logs (OCELs), including one from a real-life process at a major Dutch financial institution. The results indicate that HOEG competes well with existing models and surpasses them when OCELs contain informative object attributes and event-object interactions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google