[論文レビュー] Uncertain Process Data with Probabilistic Knowledge: Problem Characterization and Challenges

Izack Cohen, Avigdor Gal|arXiv (Cornell University)|Jun 6, 2021

Business Process Modeling and Analysis参考文献 4被引用数 5

ひとこと要約

本稿は、イベント活動が決定論的ラベルではなく確率分布で表現される「確率的に既知の（SK）」プロセストレースを用いた、適合チェックおよびプロセス分類のための新規フレームワークを提示する。イベントデータのセンサ駆動およびAI処理による不確実性に対応するため、交差エントロピーおよびフロベニウスノルムなどの新たなコスト構造および測定法を用いて、従来の適合チェック手法を確率的不確実性を扱えるように拡張する。これは、センサおよびAI処理イベントデータにおける主な課題に対処する。

ABSTRACT

Motivated by the abundance of uncertain event data from multiple sources including physical devices and sensors, this paper presents the task of relating a stochastic process observation to a process model that can be rendered from a dataset. In contrast to previous research that suggested to transform a stochastically known event log into a less informative uncertain log with upper and lower bounds on activity frequencies, we consider the challenge of accommodating the probabilistic knowledge into conformance checking techniques. Based on a taxonomy that captures the spectrum of conformance checking cases under stochastic process observations, we present three types of challenging cases. The first includes conformance checking of a stochastically known log with respect to a given process model. The second case extends the first to classify a stochastically known log into one of several process models. The third case extends the two previous ones into settings in which process models are only stochastically known. The suggested problem captures the increasingly growing number of applications in which sensors provide probabilistic process information.

研究の動機と目的

• 確率分布で表現されるイベント活動を有する「確率的に既知の（SK）」プロセストレースを用いた適合チェックの問題を形式化すること。
• 3つの困難なケースを特定・特徴付けること：(1) SKログ vs. 決定論的モデル、(2) SKログ vs. 複数の決定論的モデル（分類）、(3) SKログ vs. SKモデル。
• AIおよびセンサシステムからの確率的情報を単純化して境界値や決定論的値に還元するのではなく、確率的情報を保持する適合チェック手法の増加するニーズに対処すること。
• プロセスモデルと観測ログの確実性レベル（DK/SK）に基づく8つの適合チェックケースの分類法を確立すること。不確実性伝播の複雑さを強調する。

提案手法

• プロセスモデルの確実性レベル（決定論的に既知の/DK または 確率的に既知の/SK）と観測ログの確実性レベル（DK または SK）に基づき、8つの適合チェックケースの分類法を提案する。
• 確率的に既知のトレースを確率行列として表現する。行は活動、列は時間ポイント／イベント、要素は特定の時間における活動の発生確率を表す。
• 従来の適合チェック手法を、フロベニウスノルムや交差エントロピーなどのコスト関数を用いて、SKトレースとモデル間の乖離を測定する確率的同等物に置き換えることで、適合チェック手法を拡張する。
• 観測トレースおよびプロセスモデルの両方における不確実性を考慮する新たなコスト構造を導入し、確率的意味論下での比較を可能にする。
• 複数の候補モデルとの適合度を評価し、最も適合度の高いモデルを選択することで、標準的な適合チェックを分類タスクに拡張する。
• 従来の方法が不確実性を区間境界によって破棄するのに対し、確率的意味論を保持する新しいアルゴリズム的基盤の必要性を強調する。

実験結果

リサーチクエスチョン

• RQ1 各イベントが可能な活動の確率分布に関連付けられる「確率的に既知の（SK）」プロセストレースを扱うために、適合チェック手法をどのように適合させることができるか？
• RQ2 自然なプロセスばらつきに起因する確率的性質と、センサまたはデータ処理の不確実性に起因する確率的性質を区別する際の主な課題は何か？
• RQ3 適合チェックを用いてSKログを複数のプロセスモデルのうちの1つに分類するにはどうすればよく、このタスクに最も効果的な確率的測定法は何か？
• RQ4 適合チェックのアライメントベース手法において、決定論的コスト関数の代わりに確率的コスト関数（例：交差エントロピー、フロベニウスノルム）を用いる場合の影響は何か？
• RQ5 観測ログとプロセスモデルの両方が確率的に既知の状態にある場合に、適合チェックをどのように拡張できるか。また、これに伴って生じる新たな手法的課題は何か？

主な発見

• 本稿は、従来の適合チェック手法における深刻なギャップを特定している。それは、AIおよびセンサシステムからの確率的情報を通常、決定論的または境界付き表現に単純化することで、貴重な不確実性の文脈を失ってしまうことである。
• 著者らは、ニューラルネットワークのソフトマックス層からの出力など、確率的出力を生成する現代のAI駆動プロセスマイニングパイプラインにおいて、従来の適合チェック手法が不適切であることを示している。
• 提案された分類法により、8つの明確に異なる適合チェックケースが特定され、ログとモデルの両方に不確実性が存在するケース5、7、8が、最も複雑かつ研究が不足していることが明らかになった。
• 交差エントロピーおよびフロベニウスノルムなどの確率的適合チェック測定法が、不確実性下でのアライメントベース手法におけるコスト関数として有望な候補であることが示された。
• プロセスばらつき（例：異なるシェフが異なる経路を歩む）と測定／処理ノイズ（例：センサの不正確さやモデル予測の不確実性）の2種類の確率的性質を区別することは困難であることが強調された。
• 著者らは、動画ベースのプロセス監視やAI生成イベントログを含む応用分野において、不確実性を適切にモデル化・伝播させるために、新たなアルゴリズム的基盤の必要性を結論づけている。