合规感知的预测过程监控：一种神经符号方法
人工智能
2026-04-01 v2
摘要
现有的预测过程监控方法是子符号化的，即它们完全基于数据学习描述性特征与目标特征之间的相关性，例如，根据历史事件和生物指标预测手术需求。然而，这些方法未能融入特定于过程的约束（知识），例如，只有在患者出院超过一周后才能安排手术，这限制了合规性并提供了较不准确的预测。在本文中，我们提出一种用于预测过程监控的神经符号方法，利用Logic Tensor Networks (LTNs) 将过程知识注入预测模型。该方法遵循四个关键阶段的结构化管道：1) 特征提取；2) 规则提取；3) 知识库创建；4) 知识注入。我们的评估显示，神经符号模型不仅学习过程约束，还在所有合规感知实验中实现了更好的性能，显示出更高的合规性和更好的准确性，优于基线方法。
引用
@article{arxiv.2603.26948,
title = {Compliance-Aware Predictive Process Monitoring: A Neuro-Symbolic Approach},
author = {Fabrizio De Santis and Gyunam Park and Wil M. P. van der Aalst and Francesco Zanichelli},
journal= {arXiv preprint arXiv:2603.26948},
year = {2026}
}
备注
Accepted CAiSE 2026