Predictive Process Monitoring
PulseAugur coverage of Predictive Process Monitoring — every cluster mentioning Predictive Process Monitoring across labs, papers, and developer communities, ranked by signal.
-
新的GNN4PPM方法利用R-GCN增强预测性流程监控
研究人员开发了GNN4PPM，一种用于预测性流程监控（PPM）的新方法，该方法利用关系图卷积网络（R-GCN）。该方法使用RDF语义将事件日志数据表示为异构知识图，从而能够预测所有下一个事件及其完整数据负载。实验表明，与现有的最先进解决方案相比，GNN4PPM在复杂场景中提供了更高的准确性和适用性。
-
多任务学习在预测性流程监控方面展现出潜力
一项新研究探讨了多任务学习（MTL）在预测性流程监控（PPM）中的潜力，PPM 是一个预测组织流程展开的领域。尽管深度学习已推动了 PPM 的发展，但大多数现有方法都使用单任务学习（STL），效率低下且错失了潜在的协同效应。本研究提出了首个针对 PPM 的 MTL 全面实证研究，评估了各种任务组合、神经架构和优化方法。研究结果表明，MTL 在下一活动预测方面提供了实质性改进，并能有效缓解类别不平衡问题，其中任务平衡对于低容量模型尤为关键。
-
新框架支持预测性流程监控的基础模型持续微调
研究人员推出 COMPASS，一个新颖的框架，专为预测性流程监控 (PPM) 的基础模型 (FM) 在线持续微调而设计。该方法解决了现有从头开始训练特定任务网络的方法中固有的冷启动问题。COMPASS 采用损失平台漂移检测来识别事件流中的任务边界，并维护统一的知识子空间，在各种漂移场景下均优于最先进的非 FM 竞争对手。
-
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。