[論文レビュー] Incremental Predictive Process Monitoring: How to Deal with the Variability of Real Environments

Chiara Di Francescomarino, Chiara Ghidini+3 more|arXiv (Cornell University)|Apr 11, 2018

Data Stream Mining Techniques参考文献 26被引用数 5

ひとこと要約

本稿では、新しいケースが完了するたびにモデルをリアルタイムで更新する、適応学習アルゴリズムを用いた段階的予測プロセス監視を提案する。これにより、変化するプロセス行動に動的に適応できる。実データおよび合成データを用いた評価において、静的モデルと比較して予測精度が向上し、ケースエンコーディング戦略が性能に顕著な影響を与えることが示された。

ABSTRACT

A characteristic of existing predictive process monitoring techniques is to first 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 behaviors over time. As a solution to this problem, we propose the use of algorithms that allow the incremental construction of the predictive model. These incremental learning algorithms update the model whenever new cases become available so that the predictive model evolves over time to fit the current circumstances. The algorithms have been implemented using different case encoding strategies and evaluated on a number of real and synthetic datasets. The results provide a first evidence of the potential of incremental learning strategies for predicting process monitoring in real environments, and of the impact of different case encoding strategies in this setting.

研究の動機と目的

• モデル学習後、変化に適応できない既存の予測プロセス監視技術の硬直性に対処すること。
• 新しく完了したケースの情報を段階的に更新することで、予測モデルの継続的改善を可能にすること。
• 異なるケースエンコーディング戦略が段階的学習のパフォーマンスに与える影響を評価すること。
• 段階的学習がリアルワールドのプロセス監視シナリオにおいて実用的で効果的であることを示すこと。

提案手法

• 新しいケースが実行を完了するたびに、予測モデルを更新する段階的学習アルゴリズムを採用する。
• 複数のケースエンコーディング戦略（例：イベントシーケンス表現）を用いて、プロセスインスタンスを学習の入力特徴に変換する。
• オンライン学習をサポートする機械学習モデルを適用し、再学習を再開せずにパラメータを更新可能にする。
• 実データおよび合成データセット上で段階的にモデルを学習させ、変化するプロセス行動をシミュレートする。
• 完了したケースからのフィードバックを統合し、将来の予測の精度を向上させ、モデルの一般化能力を強化する。
• 時間経過に伴うモデルパフォーマンスの評価を通じて、変化するプロセスダイナミクスへの適応能力を検証する。

実験結果

リサーチクエスチョン

• RQ1 段階的モデル更新は、静的モデルと比較して、動的プロセス環境における予測精度をどのように向上させるか？
• RQ2 異なるケースエンコーディング戦略が、段階的予測モデルのパフォーマンスに与える影響は何か？
• RQ3 段階的学習は、リアルワールドのログにおいて、進化するプロセスバリアントや新しい行動パターンを効果的に捉えられるか？
• RQ4 大規模なプロセス監視ワークロードに適用した場合、段階的学習アルゴリズムの安定性とスケーラビリティはどの程度か？

主な発見

• 変化するプロセス行動を示す環境では、段階的学習が静的モデルと比較して予測精度を顕著に向上させる。
• ケースエンコーディング戦略の選択がモデルパフォーマンスに大きな影響を与え、特定のエンコーディングでは一般化性能が高く、収束が速い。
• 段階的に更新されるモデルは、時間経過に伴い新たなプロセスバリアントや行動の変化に、より効果的に適応する。
• プロセスログが進化しても、本アプローチは高い予測性能を維持し、リアルワールド環境での頑健性を示している。
• 合成データセットの結果から、段階的モデルがバッチ学習モデルよりも、行動の変化をより速く検知・適応することが確認された。
• 結果は、段階的学習がリアルタイム予測プロセス監視に実用的で効果的であるという実証的証拠を示している。