[論文レビュー] On Generation of Time-based Label Refinements

Niek Tax, Emin Alasgarov+2 more|arXiv (Cornell University)|Sep 12, 2016

Business Process Modeling and Analysis参考文献 14被引用数 5

ひとこと要約

本論文は、スマートホームのイベントデータから行動的により具体的で洞察に富んだプロセスモデルを発見するために、イベントのタイムスタンプに円統計を適用することで、時刻に基づくラベルの自動的精錬を実現するフレームワークを提案する。この手法は、手動によるアノテーションやドメイン固有のヒューリスティクスに依存せずに、時間的パターンを活用してセンサーレベルのラベルを精錬することで、モデルの正確性を向上させる。

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.

研究の動機と目的

• スマートホーム環境における、意味のないセンサーレベルのイベントラベルによって引き起こされる過度に一般化されたプロセスモデルの課題に対処すること。
• 手動によるドメイン専門知識に依存せずに、イベントのタイムスタンプに基づいて意味的に解釈可能なラベル精錬を自動的に生成する手法を開発すること。
• 実世界のスマートホームイベントログから発見されるプロセスモデルの行動的特異性と洞察力を向上させること。
• 事前にアクティビティレベルのアノテーションが不要な、教師なしでデータ駆動型のラベル精錬を可能にし、プロセス発見を強化すること。

提案手法

• フレームワークは、タイムスタンプを円上に位置する点として扱うことで、イベントの時間的分布を円統計を用いてモデル化する。
• クラスタリング手法（例：ボン・マイス分布のフィッティング）を適用し、類似した時間的パターンを持つイベントを分類して、時間的ラベル精錬を生成する。
• 24時間のサイクルを、朝、昼、夜などの意味のある行動パターンを反映する区間に分割することで、精錬されたラベルを生成する。
• 反復的に適用可能であり、例として「食器棚を開ける」を朝と夜のサブイベントに分割するなど、多段階の精錬が可能である。
• 精錬されたラベルは、より制約が強く解釈可能なペトリネットモデルを生成するためのプロセス発見アルゴリズムの入力として使用される。
• 本手法は実スマートホームイベントログを対象に評価され、ラベル精錬の有無に応じたプロセスモデルの比較が行われた。

実験結果

リサーチクエスチョン

• RQ1 自動的時刻ベースラベル精錬は、スマートホームイベントログから発見されるプロセスモデルの行動的特異性を向上させることができるか？
• RQ2 円統計は、ラベル精錬のためのセンサーエンティティデータにおける意味のある時間的パターンを効果的に捉えられるか？
• RQ3 自動的に生成された時刻ベースラベル精錬は、生のセンサーラベルに比べて、プロセスモデルの過度な一般化をどの程度軽減できるか？
• RQ4 本フレームワークは反復的に適用可能であり、例として朝と夜の行動パターン（例：朝 vs. 夜の「食器棚を開ける」）のようなネストされた行動パターンを明らかにできるか？

主な発見

• 提示されたフレームワークは、手動でのラベル付けを一切必要とせず、イベントタイムスタンプの時間的パターンを分析することで、意味的に解釈可能なラベル精錬を成功裏に生成した。
• 精錬されたラベルを用いて発見されたプロセスモデルは、例えば、台所作業の前に任意の寝室ドアのイベントが発生するような不自然な遷移が存在しないため、行動的過度一般化が著しく低減されていることが実証された。
• 事例研究では、朝の寝室ドア開閉が台所関連活動のブロックに先行するという意味のある行動パターンが明らかになったが、これは生のセンサーラベルを使用したモデルでは見えにくかった。
• 反復的精錬により、より深い洞察が得られた。例として、「食器棚を開ける」イベントを朝と夜に分離し、電子レンジ使用との時間的関係を明らかにした。
• 本手法は、制御フローの文脈のみに依存する従来の手法よりも優れており、意味のあるデータ属性（時間）を組み込むことで、意味的整合性を保証する。