[논문 리뷰] Unsupervised Event Abstraction using Pattern Abstraction and Local Process Models

Felix Mannhardt, Niek Tax|arXiv (Cornell University)|2017. 04. 11.

Business Process Modeling and Analysis참고 문헌 3인용 수 5

한 줄 요약

이 논문은 프로세스 발견 이전에 저수준 이벤트 로그를 더 높은 추상 수준으로 승격시키기 위해 자동으로 발견된 국소 프로세스 모델(LPM)을 활동 패턴으로 사용하는 비지도 이벤트 추상화 방법을 제안한다. 이러한 LPM을 필터링하고 추상화된 이벤트에 적용함으로써, 발견된 프로세스 모델의 피트니스와 정밀도의 균형을 향상시키며, BPI13-C 로그에서는 F-스코어가 0.65에서 0.74로 증가하고, 다섯 개의 실생활 이벤트 로그 중 세 개에서 개선된 성능을 보였다.

ABSTRACT

Process mining analyzes business processes based on events stored in event logs. However, some recorded events may correspond to activities on a very low level of abstraction. When events are recorded on a too low level of granularity, process discovery methods tend to generate overgeneralizing process models. Grouping low-level events to higher level activities, i.e., event abstraction, can be used to discover better process models. Existing event abstraction methods are mainly based on common sub-sequences and clustering techniques. In this paper, we propose to first discover local process models and then use those models to lift the event log to a higher level of abstraction. Our conjecture is that process models discovered on the obtained high-level event log return process models of higher quality: their fitness and precision scores are more balanced. We show this with preliminary results on several real-life event logs.

연구 동기 및 목표

• 프로세스 발견에서 저수준 이벤트 로그로 인한 과도하게 일반화되고 정밀도가 낮은 프로세스 모델 문제를 해결하기 위해.
• 수동 도메인 지식에 의존하는 이벤트 추상화를 제거하고, 자동으로 발견된 LPM으로 대체함으로써.
• 감독 없이 이벤트 로그에서 고수준 추상화를 발견함으로써 프로세스 모델의 품질을 향상시키기 위해.
• LPM 기반 추상화가 발견된 모델에서 피트니스와 정밀도 스코어의 더 나은 균형을 이끌어내는지 평가하기 위해.

제안 방법

• 마르코프 군집화와 LPM 마이닝 기법을 사용하여 원본 저수준 이벤트 로그에서 국소 프로세스 모델(LPM)을 발견한다.
• 다양성 임계값을 기반으로 발견된 LPM 집합을 필터링하여 대표적인 행동 패턴을 유지한다.
• 필터링된 LPM을 활동 패턴으로 사용하여 원본 이벤트 로그를 고수준 로그로 추상화한다. 이 과정에서 저수준 이벤트의 시퀀스를 고수준 활동 레이블로 대체한다.
• 추상화된 고수준 로그에 표준 프로세스 발견 알고리즘(예: IM infrequent)을 적용하여 개선된 프로세스 모델을 생성한다.
• F-스코어(피트니스와 정밀도의 조화 평균)를 사용하여 모델 품질을 평가하고, 추상화된 로그와 원본 로그를 비교한다.
• 공정한 비교와 해석을 위해 발견된 고수준 모델을 기반으로 한 LPM으로 확장한다.

실험 결과

연구 질문

• RQ1 이벤트 로그에서 발견된 LPM이 비지도 이벤트 추상화의 활동 패턴으로 효과적으로 기능할 수 있는가?
• RQ2 자동으로 발견된 LPM을 사용하여 이벤트 로그를 추상화하면 발견된 프로세스 모델의 정밀도와 피트니스 균형이 향상되는가?
• RQ3 LPM의 수, 다양성 임계값, 조합 방법(교차 대비 병렬)과 같은 파라미터가 모델 품질에 미치는 영향은 어떠한가?
• RQ4 이 추상화 기법의 성능은 기반 이벤트 로그의 특성에 의존하는가?

주요 결과

• 추상화된 BPI13-C 로그에서 발견된 프로세스 모델의 F-스코어가 0.65에서 0.74로 향상되어 피트니스와 정밀도의 균형이 향상됨을 나타낸다.
• 다섯 개의 실생활 이벤트 로그 중 세 개에서 제안된 추상화 방법이 원본 로그에 직접 적용한 프로세스 발견보다 더 높은 F-스코어를 기록했다.
• 추상화에 사용된 최적의 LPM 수는 로그에 따라 달라졌으며, BPI13-C에는 1개의 LPM으로 충분했고, 세프시스 로그에는 5개의 LPM이 필요했다.
• LPM의 병렬 조합은 오직 한 경우에서만 모델 품질을 향상시켰으며, 이는 실무에서 더 효율적인 교차 조합 방식이 선호될 수 있음을 시사한다.
• BPI13-C의 모델 정밀도는 0.53에서 0.86으로 증가했고, 피트니스는 0.84에서 0.65로 감소하여 정밀도 향상은 뚜렷했지만 수용 가능한 피트니스 희생을 보였다.
• 결과적으로 이 추상화 기법의 효과성은 로그 특성과 파라미터 설정에 매우 의존적이며, 완전 자동화를 위해서는 자동 파라미터 튜닝이 필수적임을 시사한다.