基于图神经网络的过程发现
机器学习
2021-09-14 v1 人工智能
计算与语言
形式语言与自动机理论
摘要
从事件日志中自动发现过程模型是过程挖掘中的首要问题。该任务迄今通过图合成算法作为无监督学习问题来处理。算法设计决策与启发式方法使得能够在缩减的搜索空间中高效寻找模型。然而，设计决策与启发式方法源于关于给定行为描述（即事件日志）如何转化为过程模型的假设，并非从实际模型中学习得到，从而在解中引入了偏差。在本文中，我们探讨过程发现技术D的监督学习问题。我们引入一种使用图卷积神经网络训练基于ML的模型D的技术；D将给定输入事件日志转化为一个健全的Petri网。我们表明，在合成生成的输入日志与输出模型对上训练D，可使D将先前未见的合成及若干真实事件日志转化为与现有用于发现命令式过程模型的state of the art技术具有可比准确性与简洁性的、健全且任意结构的模型。我们分析了所提技术的局限性并概述了未来工作的方向。
引用
@article{arxiv.2109.05835,
title = {Process Discovery Using Graph Neural Networks},
author = {Dominique Sommers and Vlado Menkovski and Dirk Fahland},
journal= {arXiv preprint arXiv:2109.05835},
year = {2021}
}
备注
accepted at IEEE International Conference on Process Mining (ICPM) 2021, submitted version