[논문 리뷰] On Generation of Time-based Label Refinements

Niek Tax, Emin Alasgarov외 2명|arXiv (Cornell University)|2016. 09. 12.

Business Process Modeling and Analysis참고 문헌 14인용 수 5

한 줄 요약

이 논문은 스마트 홈 이벤트 데이터에서 프로세스 마이닝의 행동적 특이성과 통찰력을 높이기 위해 이벤트 타임스탬프에 원통 통계를 활용하여 시간 기반 레이블 개선을 자동으로 생성하는 프레임워크를 제안한다. 이 방법은 수동 애너테이션이나 도메인 특화 히우리스틱에 의존하지 않고 센서 수준의 레이블을 시간 패턴을 기반으로 개선함으로써 모델 정밀도를 향상시킨다.

ABSTRACT

Process mining is a research field focused on the analysis of event data with the aim of extracting insights in processes. Applying process mining techniques on data from smart home environments has the potential to provide valuable insights in (un)healthy habits and to contribute to ambient assisted living solutions. Finding the right event labels to enable application of process mining techniques is however far from trivial, as simply using the triggering sensor as the label for sensor events results in uninformative models that allow for too much behavior (overgeneralizing). Refinements of sensor level event labels suggested by domain experts have shown to enable discovery of more precise and insightful process models. However, there exist no automated approach to generate refinements of event labels in the context of process mining. In this paper we propose a framework for automated generation of label refinements based on the time attribute of events. We show on a case study with real life smart home event data that behaviorally more specific, and therefore more insightful, process models can be found by using automatically generated refined labels in process discovery.

연구 동기 및 목표

• 무의미한 센서 수준의 이벤트 레이블로 인해 발생하는 스마트 홈 환경에서의 과도하게 일반화된 프로세스 모델 문제를 해결하기 위해.
• 수동 도메인 전문 지식에 의존하지 않고 이벤트 타임스탬프를 기반으로 의미적으로 해석 가능한 레이블 개선을 자동으로 생성하는 방법을 개발하기 위해.
• 실제 스마트 홈 이벤트 로그에서 발견된 프로세스 모델의 행동적 특이성과 통찰력을 향상시키기 위해.
• 사전 활동 수준 애너테이션 없이도 비지도, 데이터 기반의 레이블 개선을 가능하게 하여 프로세스 발견을 향상시키기 위해.

제안 방법

• 프레임워크는 이벤트의 시간 분포를 모델링하기 위해 원통 통계를 사용하며, 타임스탬프를 원 위의 점으로 간주하여 일일 주기를 포착한다.
• 클러스터링 기법(예: 바이 마이스 분포 적합)을 적용하여 유사한 시간 패턴을 가진 이벤트들을 별도의 시간 기반 레이블 개선으로 묶는다.
• 24시간 주기를 의미 있는 행동 패턴(예: 아침, 오후, 야간 활동 등)을 반영하도록 간격으로 분할함으로써 개선된 레이블을 생성한다.
• 반복적으로 적용되어 다중 수준의 개선이 가능함—예를 들어 '접시 서랍'을 아침과 저녁 하위 이벤트로 분할함.
• 개선된 레이블은 프로세스 발견 알고리즘의 입력으로 사용되어 더 제약이 강하고 해석 가능한 페트리 네트워크 모델을 생성한다.
• 실제 스마트 홈 이벤트 로그에 대해 평가되었으며, 레이블 개선 여부에 따라 생성된 프로세스 모델을 비교하였다.

실험 결과

연구 질문

• RQ1 자동화된 시간 기반 레이블 개선이 스마트 홈 이벤트 로그에서 발견된 프로세스 모델의 행동적 특이성을 향상시킬 수 있는가?
• RQ2 원통 통계가 레이블 개선을 위한 센서 이벤트 데이터 내 의미 있는 시간 패턴을 얼마나 효과적으로 포착하는가?
• RQ3 자동으로 생성된 시간 기반 레이블 개선이 원시 센서 레이블에 비해 프로세스 모델의 과도한 일반화를 어느 정도 감소시키는가?
• RQ4 프레임워크는 반복적으로 적용되어 중첩된 행동 패턴(예: 아침 vs. 저녁 행동)을 밝혀낼 수 있는가?

주요 결과

• 제안된 프레임워크는 수동 레이블링 없이도 이벤트 타임스탬프의 시간 패턴을 분석하여 의미적으로 해석 가능한 레이블 개선을 성공적으로 생성하였다.
• 개선된 레이블을 사용해 발견된 프로세스 모델은 유령 전이(예: 주방 활동 이전에 임의의 침실 문 열기 이벤트)가 나타나지 않음으로써 행동적 과도한 일반화가 크게 감소한 것으로 확인되었다.
• 사례 연구에서 아침에 침실 문이 열리고 난 후 주방 관련 활동 블록이 이어지는 의미 있는 행동 패턴이 드러났으며, 이는 원시 센서 레이블을 사용한 모델에서는 가려져 있었다.
• 반복적 개선을 통해 더 깊은 통찰을 확보할 수 있었는데, 예를 들어 '접시 서랍' 이벤트를 아침과 저녁으로 구분하고 마이크로파브 사용과의 시간적 관계를 드러내었다.
• 이 프레임워크는 레이블 개선에 단지 제어 흐름 맥락에 의존하는 기존 방법보다 우수한 성능을 보였으며, 의미 있는 데이터 속성(시간)을 통합함으로써 의미적 일관성을 보장하였다.