[論文レビュー] Mining Process Model Descriptions of Daily Life through Event Abstraction

Niek Tax, Natalia Sidorova+2 more|TU/e Research Portal (Eindhoven University of Technology)|May 25, 2017

Business Process Modeling and Analysis被引用数 6

ひとこと要約

本稿では、スマートホームログの低レベルセンサーイベントを高レベルの人間行動イベントに要約する教師あり学習フレームワークを提案する。これにより、より正確で解釈可能なプロセスモデルの構築が可能になる。XES標準イベントログから特徴量を抽出し、アノテート済みの日記データで学習することで、過剰一般化を低減し、実世界のデータセットにおいて行動的に制約されたモデルを生成する。プロセス発見の精度が向上する。

ABSTRACT

Process mining techniques focus on extracting insight in processes from event logs. Process mining has the potential to provide valuable insights in (un)healthy habits and to contribute to ambient assisted living solutions when applied on data from smart home environments. However, events recorded in smart home environments are on the level of sensor triggers, at which process discovery algorithms produce overgeneralizing process models that allow for too much behavior and that are difficult to interpret for human experts. We show that abstracting the events to a higher-level interpretation can enable discovery of more precise and more comprehensible models. We present a framework for the extraction of features that can be used for abstraction with supervised learning methods that is based on the XES IEEE standard for event logs. This framework can automatically abstract sensor-level events to their interpretation at the human activity level, after training it on training data for which both the sensor and human activity events are known. We demonstrate our abstraction framework on three real-life smart home event logs and show that the process models that can be discovered after abstraction are more precise indeed.

研究の動機と目的

• スマートホーム環境における低レベルセンサーイベントから導かれる曖昧なプロセスモデルの課題に対処すること。
• センサーレベルのイベントログがもたらす過剰一般化や解釈困難なプロセスモデルの限界を克服すること。
• センサーイベントを意味のある人間行動ラベルに変換することで、直接的に人間行動の分析を可能にすること。
• アノテート済みスマートホームデータを用いた教師あり学習により、スケーラブルで自動化されたイベント要約手法を開発すること。
• 行動的により特異的かつ人間が理解可能なプロセスモデルを生成することで、プロセスマイニングの成果を向上させること。

提案手法

• タイムスタンプ、リソース情報、イベント属性などの拡張機能を用いて、XES標準イベントログから特徴量を抽出する。
• 日記アノテーション付きの訓練データを用いて、教師あり機械学習モデルを訓練し、センサーイベントを人間行動ラベルにマッピングする。
• 3段階の分類体系（方向、カテゴリ、サブカテゴリ）を用いてターゲットとなる行動ラベルを定義し、主にカテゴリレベルを抽象化の主な対象とする。
• 予測されたラベルと正解ラベルの間の抽象化精度を評価するために、Damerau-Levenshtein類似度測度を用いる。
• インダクティブマイナー法を用いて、元のセンサーイベントログおよび要約された人間行動レベルのログからプロセスモデルを発見する。
• 1つのトレースを除いて残りのデータで学習・評価するleave-one-trace-out交差検証を用いて、異なるスマートホームデータセットにおけるモデルの汎化性と頑健性を評価する。

実験結果

リサーチクエスチョン

• RQ1 センサーイベントから人間行動レベルへの教師ありイベント要約は、スマートホーム環境における発見されたプロセスモデルの正確性を向上させることができるか？
• RQ2 提案された特徴抽出フレームワークは、XES標準イベントログからイベント要約に必要なパターンをどれほど効果的に捉えられるか？
• RQ3 直接的にセンサーイベントレベルのデータをマイニングするのと比較して、要約処理によって過剰一般化がどの程度低減されるか？
• RQ4 データ量や行動の多様性に差があるさまざまなスマートホームデータセットにおいて、抽象化精度はどのように変動するか？
• RQ5 得られたプロセスモデルは、センサーイベントレベルのモデルと比較して、行動的により特異的かつ人間の専門家にとってより解釈可能であると見なせるか？

主な発見

• 提案された要約フレームワークは、過剰一般化された行動を低減することで、プロセスモデルの正確性を顕著に向上させた。要約後のモデル構造が制限されたことが、これに裏付けられる。
• MIT Household Aデータセットでは、要約のDamerau-Levenshtein類似度が0.6348に達し、予測ラベルと実際の人間行動ラベルとの間で強い一致を示した。
• MIT Household Bデータセットでは、要約精度が0.5865にとどまり、主に訓練データが少ない（2701イベント対1932イベント）ことと、行動の多様性が高かったことが要因であった。
• 要約された人間行動レベルのトレースから発見されたプロセスモデルは、高い適合度を維持しながらも、正確性が向上しており、データ適合度の著しい損失なしに行動的特異性が向上していることが示された。
• 要約されたモデルの形状や構造（例えば、大きな選択ブロックが少ない）は、センサーイベントレベルのモデルと比較して過剰一般化が低減していることを視覚的に確認した。
• このフレームワークは、人間行動レベルでの解釈可能なプロセスモデルのマイニングに成功し、アームドアシストドリンギングやライフスタイルコーチングなどの応用を直接支援できるようになった。