基于生成对抗网络的预测性业务流程监控：以下一事件预测为例
机器学习
2020-04-02 v2 机器学习
摘要
预测性流程监控旨在预测正在进行的流程实例的未来特征，如实例结果或剩余时间戳。近来，若干基于深度学习（如长短期记忆或卷积神经网络）的预测性流程监控方法被提出以解决下一事件预测问题。然而，由于训练数据不足或网络配置与架构次优，这些方法对该问题的泛化能力不佳。本文提出一种新颖的对抗训练框架以解决此缺陷，其基于将生成对抗网络（GANs）适配到序列时序数据领域。训练通过让一个神经网络与另一个在双人博弈中对抗（即对抗性本质）来进行，从而产生与真实值无法区分的预测。我们形式化证明所提方法的最坏情况精度至少等于非对抗设置下达到的精度。实验评估表明，尽管使用简单的网络架构和朴素的特征编码，该方法在精度和预测提早性上系统性优于所有基线。此外，该方法更鲁棒，因为其精度不受实例长度波动的影响。
引用
@article{arxiv.2003.11268,
title = {Predictive Business Process Monitoring via Generative Adversarial Nets: The Case of Next Event Prediction},
author = {Farbod Taymouri and Marcello La Rosa and Sarah Erfani and Zahra Dasht Bozorgi and Ilya Verenich},
journal= {arXiv preprint arXiv:2003.11268},
year = {2020}
}