[論文レビュー] Log Skeletons: A Classification Approach to Process Discovery

H. M. W. Verbeek, Renata Medeiros de Carvalho|arXiv (Cornell University)|Jun 21, 2018

Business Process Modeling and Analysis被引用数 4

ひとこと要約

この論文では、分類を用いたプロセス発見のための、ルールベースで制約駆動のモデル「ログスケルトン」を紹介している。イベントログから自動アルゴリズムを用いてログスケルトンを構築し、2017年のプロセス発見コンテストでは200件中194件の正しく分類されたトレースを達成した。これは、インダクティブマイナーなどの最新の発見アルゴリズムが達成した147件に比べ、顕著に優れている。

ABSTRACT

To test the effectiveness of process discovery algorithms, a Process Discovery Contest (PDC) has been set up. This PDC uses a classification approach to measure this effectiveness: The better the discovered model can classify whether or not a new trace conforms to the event log, the better the discovery algorithm is supposed to be. Unfortunately, even the state-of-the-art fully-automated discovery algorithms score poorly on this classification. Even the best of these algorithms, the Inductive Miner, scored only 147 correct classified traces out of 200 traces on the PDC of 2017. This paper introduces the rule-based log skeleton model, which is closely related to the Declare constraint model, together with a way to classify traces using this model. This classification using log skeletons is shown to score better on the PDC of 2017 than state-of-the-art discovery algorithms: 194 out of 200. As a result, one can argue that the fully-automated algorithm to construct (or: discover) a log skeleton from an event log outperforms existing state-of-the-art fully-automated discovery algorithms.

研究の動機と目的

• プロセス発見を分類問題として再定式化し、モデルの質をトレース分類精度で測定することを目的とする。
• 既存の完全自動化された発見アルゴリズムが、イベントログからのトレースを正しく分類する能力に限界があることを解決することを目的とする。
• イベントログ内の構造的制約を捉えるルールベースのモデルとして、ログスケルトンを自動的に構築する新規で自動化された手法を提案することを目的とする。
• ログスケルトンを用いた分類ベースのアプローチが、従来の発見アルゴリズムを上回る性能を示すことを示すこと。
• ProM 6 などのプロセスマイニングツールへの実用的導入を可能とし、今後のノイズフィルタリングやモデル変換の統合を想定すること。

提案手法

• 活動ログから、常に前、常に後、同等関係といった構造的関係を用いてログスケルトンを構築する。標準的なDeclare制約を超えた拡張も含む。
• トレースがログスケルトンに包含される（部分集合として含まれる）場合に限り、分類を肯定的（適合する）と判断するルールベースの分類メカニズムを用いる。これには、ログやトレースのフィルタリング変種も含む。
• 分類中にトレースのフィルタリングを適用する。トレースが、ログやトレースから特定のアクティビティを削除した後でもログスケルトンに適合する場合、適合とみなす。
• 頻度と同時発生分析を用いて、イベントログから制約（例：先行関係、継続関係、同等関係）を自動的に同定する。
• ProM 6 にイベントログビジュアライザーとして実装し、発見されたログスケルトンのインタラクティブな検査を可能にする。
• コンテストで完全な分類を達成するために、手動での前処理（例：アクティビティのフィルタリング、分割）を実施。今後の研究では、この前処理の自動化を目指す。

実験結果

リサーチクエスチョン

• RQ1 分類ベースのプロセス発見アプローチは、従来の発見アルゴリズムに比べ、トレース分類精度において優れていると言えるか？
• RQ2 常に前、常に後、同等関係といった構造的制約に基づくルールベースのログスケルトンモデルは、実世界のイベントログからのトレース分類においてどれほど有効か？
• RQ3 分類中にトレースフィルタリングを組み込むことで、モデルのロバスト性と正確性はどの程度向上するか？
• RQ4 なぜログスケルトンアプローチは、ペトリネット や BPMN のような手続き的モデルよりも分類タスクで優れているのか、特にプロセス発見コンテストの文脈で。
• RQ5 ログスケルトンモデルは、イベントログ内のノイズを検出・処理できるように拡張可能か？また、そのような拡張が分類性能に与える影響は？

主な発見

• ログスケルトンに基づく分類手法は、2017年のプロセス発見コンテストで200件中194件の正しく分類されたトレースを達成し、既存の最良の発見アルゴリズムを顕著に上回った。
• インダクティブマイナーは、同様のテストセットで147件の正しく分類されたトレースにとどまった。
• この手法の成功は、非Declare関係を含む複雑な構造的制約をモデル化しつつ、トレースフィルタリングに対しても分類精度を維持できる能力に起因する。
• 手動での前処理（例：アクティビティのフィルタリングや分割）により、コンテストで完全な分類（200/200）が達成された。これは、これらのステップの自動化が完全自動化バージョンの性能をさらに向上させられることを示唆している。
• ログスケルトンモデルはノイズに対して感受性が高く、欠落または余分なアクティビティにより、常に前や同等関係といった重要な関係が破壊されるが、トレースの末尾のみが欠落している場合には依然としてロバストである。
• 結果から、PDCが手続き的モデルにバイアスを有している可能性が示唆され、ログスケルトンはこのようなモデルを試すために設計されたログに特に適している可能性があり、今後のコンテストの新たなベンチマークとなる可能性がある。