基于持续时间伪嵌入的多层LSTM和GCN超模型用于结果导向的PPM
机器学习
2025-11-25 v1
摘要
现有的深度学习模型用于预测过程监控（PPM）在处理时间不规则性方面存在挑战，特别是随机事件持续时间和重叠时间戳，这限制了其在异构数据集上的适应性。我们提出了一种双输入神经网络策略，将事件和序列属性分离，使用持续时间感知的伪嵌入矩阵将时间重要性转换为紧凑、可学习的表示。该设计在两个基线系列中实现：B-LSTM和B-GCN，以及它们的持续时间感知变体D-LSTM和D-GCN。所有模型都包含用于自调节超模型，以实现自适应架构选择。在平衡和不平衡的结果预测任务上的实验表明，持续时间伪嵌入输入在提高泛化、减少模型复杂度和增强可解释性方面 consistently 有效。我们的结果表明了显式时间编码的好处，并为稳健的实际PPM应用提供了灵活的设计。
引用
@article{arxiv.2511.18830,
title = {Leveraging Duration Pseudo-Embeddings in Multilevel LSTM and GCN Hypermodels for Outcome-Oriented PPM},
author = {Fang Wang and Paolo Ceravolo and Ernesto Damiani},
journal= {arXiv preprint arXiv:2511.18830},
year = {2025}
}
备注
12 pages