深度神经网络能否学习过程模型结构？一项评估框架与分析
机器学习
2022-03-29 v1
摘要
预测性过程监控关注于对（业务）流程中正在进行案例的预测。预测任务通常聚焦于剩余时间、结果、下一事件或完整案例后缀预测。近年来针对这些任务提出了多种使用机器学习和深度学习的方法。尤其是循环神经网络（RNNs），如长短期记忆网络（LSTMs），已广受欢迎。然而，尚无研究关注此类基于神经网络的模型是否真正能够学习底层过程模型的结构。例如，此类神经网络能否有效学习并行行为或循环？因此，本工作中我们提出一种评估方案，并辅以新的适应度、精度与泛化度量，专门用以衡量深度学习模型学习过程模型结构的能力。我们将该框架应用于若干具有简单控制流行为的过程模型，在下一事件预测任务上展开实验。结果表明，即便对如此简化的模型，仍需仔细调优过拟合抑制措施，方能令这些模型学到过程模型结构。
引用
@article{arxiv.2202.11985,
title = {Can deep neural networks learn process model structure? An assessment framework and analysis},
author = {Jari Peeperkorn and Seppe vanden Broucke and Jochen De Weerdt},
journal= {arXiv preprint arXiv:2202.11985},
year = {2022}
}
备注
Second International Workshop on Leveraging Machine Learning in Process Mining