Predictive Process Monitoring
PulseAugur coverage of Predictive Process Monitoring — every cluster mentioning Predictive Process Monitoring across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新方法增强了过程监控中深度学习的可解释性
研究人员开发了一种新方法，以提高用于预测性过程监控的深度学习模型的可解释性。该技术通过引入一种感知控制流的分割算法，解决了现有特征归因方法在计算复杂性和细节丢失方面的问题。该算法将事件日志分割成有意义的片段，从而能够计算片段级别的 SHAP 解释，以识别过程跟踪的哪些部分会影响预测。该方法已在合成数据以及贷款申请流程和荷兰市政当局行政任务的真实事件日志上进行了验证。
-
新的GGATN模型生成完整的事件序列用于预测性过程监控
研究人员开发了一种名为图基础交叉注意力Transformer神经网络（GGATN）的新型神经网络架构，用于预测性过程监控。该模型旨在生成完整的事件序列，同时确保结构可行性、时间顺序和属性一致性。与之前专注于单个预测任务的方法不同，GGATN一次性生成活动、时间戳和属性，然后进行约束解码以确保有效路径。在基准事件日志上的实验表明，与LLM基线相比，GGATN在序列相似性和控制流准确性方面表现更优，没有出现虚构的活动或属性不一致的情况。
-
简单的argmax基线在下一活动预测基准测试中与LLM相当
arXiv上的一篇新论文对预测流程监控的关键组成部分——下一活动预测（NAP）的各种模型性能进行了基准测试。该研究比较了大型语言模型（LLM）、Transformer、LSTM以及一个简单的argmax基线在七个真实事件日志上的表现。令人惊讶的是，结果表明预训练和模型大小并未持续提高性能，而基本的argmax基线常常能与数十亿参数的LLM相媲美或匹敌。