神经网络架构简化：用于预测性过程监控
机器学习
2025-09-23 v1
摘要
预测性过程监控 (PPM) 旨在使用历史事件数据预测正在进行的过程实例的未来行为，从而实现主动决策。虽然近期进展高度依赖深度学习模型，如 LSTM 和 Transformer，但其高计算成本阻碍了实际应用。先前工作探索了数据降低技术和替代特征编码方法，但对简化模型架构本身效果的探索仍不充分。本文我们分析了在降低模型复杂度（包括参数数量和架构深度）如何影响预测性能的效果，使用两种 established 的 PPM 方法。我们在五个多样化事件日志上进行实验，发现将 Transformer 模型缩小 85% 仅导致各种 PPM 任务中 2-3% 的性能下降，而 LSTM 则较为敏感，尤其在等待时间预测方面。总体而言，我们的发现表明，大幅度的模型简化可以保持预测准确度，为更高效和可扩展的 PPM 解决方案铺平了道路。
关键词
引用
@article{arxiv.2509.17145,
title = {On the Simplification of Neural Network Architectures for Predictive Process Monitoring},
author = {Amaan Ansari and Lukas Kirchdorfer and Raheleh Hadian},
journal= {arXiv preprint arXiv:2509.17145},
year = {2025}
}