变色龙不会遗忘：基于提示的在线持续学习用于下一活动预测
机器学习
2026-04-03 v2
摘要
预测性流程监控（PPM）侧重于预测未来流程轨迹，包括下一活动预测。这在流程发生变化或面临不确定性的动态环境中至关重要。然而，现有框架通常假设静态环境，忽视了动态特征和概念漂移。这导致灾难性遗忘，即在训练时仅关注新数据分布会对先前已学习的数据分布的性能产生负面影响。持续学习旨在缓解包括灾难性遗留在内的诸多挑战。本文提出了一种名为基于提示的持续下一活动预测（CNAPwP）的新方法，该方法将 DualPrompt 算法适配于下一活动预测，在减轻灾难性遗忘的同时提升准确性和适应性。我们引入了具有重复概念漂移的新数据集，以及一种任务特定的遗忘度量，用于衡量初始出现与后续任务出现之间的预测精度差距。在三个合成数据集和两个真实世界数据集上的广泛测试涵盖了多种重复漂移设置，结果表明 CNAPwP 在与五种基线方法的比较中达到了最先进的或具有竞争力的结果，证明了其在真实场景中的潜在应用价值。我们的方法、数据集和结果的开源实现可在以下地址获取：https://github.com/SvStraten/CNAPwP。
引用
@article{arxiv.2604.00653,
title = {Chameleons do not Forget: Prompt-Based Online Continual Learning for Next Activity Prediction},
author = {Marwan Hassani and Tamara Verbeek and Sjoerd van Straten},
journal= {arXiv preprint arXiv:2604.00653},
year = {2026}
}
备注
This paper has been accepted for publication in the International Journal of Cooperative Information Systems