用于对过程模型泛化能力进行量化的对抗式系统变体逼近方法
人工智能
2020-11-04 v2 机器学习
摘要
在过程挖掘中, 过程模型使用过程发现算法从事件日志中提取, 并通常使用多个质量维度进行评估。虽然衡量所提取过程模型与其事件日志之间关系的度量已被充分研究, 但量化过程模型描述其底层系统未观测行为程度的研究在文献中尚显不足。本文提出一种称为对抗式系统变体逼近 (AVATAR) 的基于深度学习的新方法来克服此问题。序列生成对抗网络在事件日志所包含的变体上训练, 旨在逼近系统行为的底层变体分布。未观测到的真实变体可直接从序列生成对抗网络采样, 或利用 Metropolis-Hastings 算法采样。然后基于真实观测到的和估计的未观测变体, 使用既有的过程模型质量度量来量化过程模型与其底层未知系统行为的相关程度。在 15 个真实系统的受控实验中, 揭示了真实未观测变体的显著性能提升。此外, 所提方法经实验测试与评估, 用于量化 60 个已发现过程模型相对于其系统的泛化能力。
引用
@article{arxiv.2003.12168,
title = {Adversarial System Variant Approximation to Quantify Process Model Generalization},
author = {Julian Theis and Houshang Darabi},
journal= {arXiv preprint arXiv:2003.12168},
year = {2020}
}