利用数据增强和双旁学习提升预测过程监控
机器学习
2026-02-20 v2
摘要
预测过程监控 (PPM) 使企业能够基于事件日志预测正在进行的业务流程实例的未来事件或结果。然而，深度学习 PPM 方法常受限于真实事件日志的低变异性和小规模。为此，我们提出了 SiamSA-PPM，一种新颖的自监督学习框架，将双旁学习与统计增强相结合用于预测过程监控。它采用三种基于统计学的方法，利用控制流程语义和频繁行为模式生成真实、在语义上有效的新型号迹变体。这些增强视图用于双旁学习设置，以无需标记监督即可学习过程前缀的可泛化表示。在真实事件日志上的大量实验表明，SiamSA-PPM 在下一活动和最终结果预测任务中实现了与 SOTA 相当或更好的性能。我们的结果进一步表明，统计增强显著优于随机变换，数据变异性更好，突显了 SiamSA-PPM 作为训练数据丰富化在过程预测中的有前景的方向。
引用
@article{arxiv.2507.18293,
title = {Leveraging Data Augmentation and Siamese Learning for Predictive Process Monitoring},
author = {Sjoerd van Straten and Alessandro Padella and Marwan Hassani},
journal= {arXiv preprint arXiv:2507.18293},
year = {2026}
}