[논문 리뷰] Mining Process Model Descriptions of Daily Life through Event Abstraction

Niek Tax, Natalia Sidorova외 2명|TU/e Research Portal (Eindhoven University of Technology)|2017. 05. 25.

Business Process Modeling and Analysis인용 수 6

한 줄 요약

이 논문은 스마트 홈 로그의 저수준 센서 이벤트를 고수준 인간 활동 이벤트로 추상화하는 지도 학습 프레임워크를 제안하여 더 정밀하고 해석 가능한 프로세스 모델을 가능하게 한다. XES 표준 이벤트 로그에서 특징을 추출하고 애너테이션된 일기 데이터로 학습함으로써, 과도하게 일반화된 모델을 줄이고 실제 세계 데이터 세트에서 행동적으로 제약을 받는 모델을 도출함으로써 프로세스 발견 정확도를 향상시킨다.

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.

연구 동기 및 목표

• 스마트 홈 환경에서 저수준 센서 이벤트로부터 유도된 모호한 프로세스 모델 문제를 해결한다.
• 과도하게 일반화되고 해석하기 어려운 센서 수준 이벤트 로그의 한계를 극복한다.
• 센서 수준 이벤트를 의미 있는 인간 활동 레이블로 변환함으로써 인간 행동의 직접적 분석을 가능하게 한다.
• 애너테이션된 스마트 홈 데이터를 기반으로 한 지도 학습을 활용해 확장성 있고 자동화된 이벤트 추상화 방법을 개발한다.
• 행동적으로 더 특정화되고 인간이 이해하기 쉬운 프로세스 모델을 생성함으로써 프로세스 마이닝 성과를 향상시킨다.

제안 방법

• 타임스탬프, 자원 정보, 이벤트 속성과 같은 확장 기능을 사용하여 XES 표준 이벤트 로그에서 특징을 추출한다.
• 일기로 애너테이션된 학습 데이터를 활용해 지도 학습 모델을 학습하여 센서 수준 이벤트를 인간 활동 레이블로 매핑한다.
• 세 단계 계층 구조(방향, 카테고리, 하위카테고리)를 사용하여 대상 활동 레이블을 정의하고, 카테고리 수준을 주요 추상화 대상으로 한다.
• 예측된 레이블과 참값 레이블 간의 추상화 정확도 평가를 위해 Damerau-Levenshtein 유사도 측정법을 적용한다.
• 원시 센서 수준 로그와 추상화된 인간 활동 수준 로그에서 모두 프로세스 모델을 발견하기 위해 Inductive Miner 알고리즘을 사용한다.
• 모델 일반화 및 다양한 스마트 홈 데이터 세트 간의 강건성을 평가하기 위해 leave-one-trace-out 교차 검증을 적용한다.

실험 결과

연구 질문

• RQ1 센서 수준 이벤트에서 인간 활동 수준 이벤트로의 지도 학습 기반 이벤트 추상화가 스마트 홈 환경에서 발견된 프로세스 모델의 정밀도를 향상시키는가?
• RQ2 제안된 특징 추출 프레임워크는 XES 표준 이벤트 로그에서 이벤트 추상화에 필요한 패턴을 얼마나 효과적으로 포착하는가?
• RQ3 센서 수준 데이터에 직접 마이닝을 수행한 경우에 비해 추상화가 프로세스 모델의 과도한 일반화를 어느 정도 감소시키는가?
• RQ4 다양한 데이터 양과 활동 다양성을 가진 다양한 스마트 홈 데이터 세트에서 추상화 정확도는 어떻게 변하는가?
• RQ5 결과로 도출된 프로세스 모델은 센서 수준 모델에 비해 행동적으로 더 특정화되고 인간 전문가가 더 쉽게 이해할 수 있는가?

주요 결과

• 제안된 추상화 프레임워크는 과도하게 일반화된 행동을 줄임으로써 프로세스 모델 정밀도를 크게 향상시켰으며, 추상화 후 더 제약 있는 모델 구조가 나타나는 것으로 확인되었다.
• MIT Household A 데이터 세트에서 추상화의 Damerau-Levenshtein 유사도는 0.6348에 도달하여 예측된 레이블과 실제 인간 활동 레이블 간의 강한 일치를 보였다.
• MIT Household B 데이터 세트에서는 학습 데이터가 적어(1932건 대비 2701건) 활동 다양성이 높아 추상화 정확도가 낮아 0.5865로 나타났다.
• 추상화된 인간 활동 수준의 트레이스에서 발견된 프로세스 모델은 높은 피트니스를 유지하면서도 정밀도가 높아 행동적으로 더 특정화된 특성을 보였다.
• 추상화된 모델의 형태와 구조(예: 더 작은 선택 블록 수)는 센서 수준 모델에 비해 과도한 일반화가 감소했음을 뚜렷이 시각적으로 확인시켰다.
• 이 프레임워크는 인간 활동 수준에서 이해하기 쉬운 프로세스 모델을 추출함으로써 암시적 보조 생활 지원 및 라이프스타일 코칭 분야의 적용을 직접적으로 지원했다.