[논문 리뷰] Uncertain Process Data with Probabilistic Knowledge: Problem Characterization and Challenges

Izack Cohen, Avigdor Gal|arXiv (Cornell University)|2021. 06. 06.

Business Process Modeling and Analysis참고 문헌 4인용 수 5

한 줄 요약

이 논문은 이벤트 활동이 결정론적 레이블이 아닌 확률 분포로 표현되는 확률적으로 알려진(SK) 프로세스 트레이스를 사용하여 적합성 검사 및 프로세스 분류를 위한 새로운 프레임워크를 제안한다. 전통적인 적합성 검사 기법을 확률적 불확실성을 다룰 수 있도록 개선하기 위해 교차 엔트로피 및 프로베니우스 노름과 같은 새로운 비용 구조 및 측정법을 제안함으로써 센서 기반 및 AI 처리 이벤트 데이터에서 발생하는 핵심 과제를 해결한다.

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.

연구 동기 및 목표

• 확률 분포로 표현되는 이벤트 활동을 가진 확률적으로 알려진(SK) 프로세스 트레이스를 사용한 적합성 검사 문제를 체계화하는 것.
• 세 가지 도전적인 케이스를 식별하고 특성화하는 것: (1) SK 로그 대 결정론적 모델, (2) SK 로그 대 다수의 결정론적 모델(분류), (3) SK 로그 대 SK 모델.
• AI 및 센서 시스템에서 유입되는 확률 정보를 구간이나 결정론적 값으로 압축하지 않고도 유지하는 적합성 기법에 대한 증가하는 수요를 충족시키는 것.
• 프로세스 모델과 관측 로그의 확률적 확정 수준(DK/SK)에 기반한 여덟 가지 적합성 검사 케이스의 분류 체계를 수립하여, 불확실성 전파의 복잡성을 부각시키는 것.

제안 방법

• 프로세스 모델의 확정 수준(결정론적으로 알려짐/DK 또는 확률적으로 알려짐/SK)과 관측 로그의 확정 수준(DK 또는 SK)에 기반한 여덟 가지 적합성 검사 케이스의 분류 체계를 제안한다.
• 확률적으로 알려진 트레이스를 확률 행렬로 표현하며, 행은 활동, 열은 시간 포인트/이벤트이며, 요소는 특정 시간에 해당 활동이 발생할 확률을 나타낸다.
• 기존의 결정론적 정렬 기법을 확률적 대응 기법으로 대체하여, 프로베니우스 노름 및 교차 엔트로피와 같은 비용 함수를 사용해 SK 트레이스와 모델 간의 이질성 정도를 측정한다.
• 관측 트레이스와 프로세스 모델 양쪽의 불확실성을 고려하는 새로운 비용 구조를 도입함으로써, 확률적 의미론 하에서의 비교를 가능하게 한다.
• 여러 후보 모델과의 적합성 검사를 평가하여 가장 잘 맞는 모델을 선별하는 방식으로 표준 적합성 검사 기법을 분류 작업으로 확장한다.
• 기존 방법이 구간 경계를 통해 불확실성을 기각하는 데서 벗어나, 확률적 의미론을 유지하는 데 초점을 맞춘 새로운 알고리즘 기초가 필요하다는 점을 강조한다.

실험 결과

연구 질문

• RQ1 각 이벤트가 가능한 활동들에 대한 확률 분포와 연결된 확률적으로 알려진(SK) 프로세스 트레이스를 다룰 수 있도록 적합성 검사를 어떻게 적응시킬 수 있는가?
• RQ2 자연적 프로세스 변동성으로 인한 확률성과 센서 또는 데이터 처리 오차로 인한 확률성 간의 차이를 어떻게 식별할 수 있는가?
• RQ3 적합성 검사를 통해 SK 로그를 여러 프로세스 모델 중 하나로 분류할 수 있는 방법은 무엇이며, 이러한 작업에 가장 효과적인 확률 측정법은 무엇인가?
• RQ4 정렬 기반 적합성 검사에서 결정론적 비용 함수 대신 확률적 비용 함수(예: 교차 엔트로피, 프로베니우스 노름)를 사용할 경우의 영향은 무엇인가?
• RQ5 관측 로그와 프로세스 모델 둘 다 확률적으로 알려진 경우에 적합성 검사를 어떻게 확장할 수 있으며, 새로운 방법론적 과제는 무엇인가?

주요 결과

• 기존의 적합성 검사 기법에는 심각한 격차가 존재한다: 일반적으로 AI 및 센서 시스템에서 유입되는 확률 정보를 결정론적 또는 경계 기반 표현으로 압축함으로써 유용한 불확실성 맥락을 상실한다.
• 저자들은 기존의 적합성 검사 방법이 신경망 소프트맥스 레이어 등에서 유도되는 확률적 출력을 생성하는 현대적인 AI 기반 프로세스 마이닝 파이프라인에는 부적합하다는 것을 입증한다.
• 제안된 분류 체계는 여덟 가지의 명백히 구분되는 적합성 검사 케이스를 드러내며, 로그와 모델 양쪽에 불확실성이 존재하는 케이스 5, 7, 8이 가장 복잡하고 연구가 부족한 영역임을 확인한다.
• 교차 엔트로피 및 프로베니우스 노름과 같은 확률적 적합성 측정법이 불확실성 하에서 정렬 기반 기법의 비용 함수로 유망한 후보임을 연구가 입증한다.
• 프로세스 변동성(예: 다른 요리사들이 다른 경로를 따름)과 측정/처리 노이즈(예: 센서 오차 또는 모델 예측 불확실성) 간의 두 가지 유형의 확률성을 분리하는 데 어려움이 있음을 강조한다.
• 저자들은 비디오 기반 프로세스 모니터링 및 AI 생성 이벤트 로그를 포함한 애플리케이션에서 불확실성을 적절히 모델링하고 전파하기 위해 새로운 알고리즘 기초가 필요하다고 결론 내린다.