論文の概要: Time-Aware and Transition-Semantic Graph Neural Networks for Interpretable Predictive Business Process Monitoring

• arxiv url: http://arxiv.org/abs/2508.09527v1
• Date: Wed, 13 Aug 2025 06:21:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-14 20:42:00.779896
• Title: Time-Aware and Transition-Semantic Graph Neural Networks for Interpretable Predictive Business Process Monitoring
• Title（参考訳）: 予測的ビジネスプロセスモニタリングのための時間認識および遷移セマンティックグラフニューラルネットワーク
• Authors: Fang Wang, Ernesto Damiani,
• Abstract要約: 本稿では,3つのキー軸に沿って芸術の状態を前進させる統一的,解釈可能なGNNフレームワークを提案する。 まず,プレフィックスベースグラフ畳み込みネットワーク(GCNs)とフルトレースグラフ注意ネットワーク(GATs)を比較し,局所モデリングとグローバルモデリングのパフォーマンスギャップを定量化する。 第2に,動的で予測中心の窓を構成する新しい時間減衰注意機構を導入する。 第三に、遷移型セマンティクスをエッジ特徴に組み込んで、構造的不明瞭なトレースに対してきめ細かい推論を可能にする。
• 参考スコア（独自算出の注目度）: 6.125909573003906
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predictive Business Process Monitoring (PBPM) aims to forecast future events in ongoing cases based on historical event logs. While Graph Neural Networks (GNNs) are well suited to capture structural dependencies in process data, existing GNN-based PBPM models remain underdeveloped. Most rely either on short prefix subgraphs or global architectures that overlook temporal relevance and transition semantics. We propose a unified, interpretable GNN framework that advances the state of the art along three key axes. First, we compare prefix-based Graph Convolutional Networks(GCNs) and full trace Graph Attention Networks(GATs) to quantify the performance gap between localized and global modeling. Second, we introduce a novel time decay attention mechanism that constructs dynamic, prediction-centered windows, emphasizing temporally relevant history and suppressing noise. Third, we embed transition type semantics into edge features to enable fine grained reasoning over structurally ambiguous traces. Our architecture includes multilevel interpretability modules, offering diverse visualizations of attention behavior. Evaluated on five benchmarks, the proposed models achieve competitive Top-k accuracy and DL scores without per-dataset tuning. By addressing architectural, temporal, and semantic gaps, this work presents a robust, generalizable, and explainable solution for next event prediction in PBPM.
• Abstract（参考訳）: Predictive Business Process Monitoring (PBPM)は、過去のイベントログに基づいて進行中のケースにおける将来のイベントを予測することを目的としている。 グラフニューラルネットワーク(GNN)はプロセスデータの構造的依存関係を捉えるのに適しているが、既存のGNNベースのPBPMモデルはまだ未開発である。 ほとんどの場合、短い接頭辞や、時間的関連性や遷移のセマンティクスを無視するグローバルアーキテクチャに依存している。 本稿では,3つのキー軸に沿って最先端を推し進める統一的解釈可能なGNNフレームワークを提案する。 まず,プレフィックスベースグラフ畳み込みネットワーク(GCNs)とフルトレースグラフ注意ネットワーク(GATs)を比較し,局所モデリングとグローバルモデリングのパフォーマンスギャップを定量化する。 第2に、動的で予測中心の窓を構築し、時間的関係のある歴史を強調し、騒音を抑制する新しい時間減衰注意機構を導入する。 第三に、遷移型セマンティクスをエッジ特徴に組み込んで、構造的不明瞭なトレースに対してきめ細かい推論を可能にする。 我々のアーキテクチャは多レベル解釈可能性モジュールを含み、注意行動の多様な可視化を提供する。 5つのベンチマークで評価し、提案モデルはデータセットごとのチューニングなしで競合するTop-k精度とDLスコアを達成する。 アーキテクチャ、時間的、意味的なギャップに対処することにより、この研究はPBPMにおける次の事象予測のための堅牢で、一般化可能で説明可能なソリューションを提示します。

関連論文リスト

• Beyond Message Passing: Neural Graph Pattern Machine [50.78679002846741]
  本稿では,グラフサブストラクチャから直接学習することで,メッセージパッシングをバイパスする新しいフレームワークであるNeural Graph Pattern Machine(GPM)を紹介する。 GPMはタスク関連グラフパターンを効率的に抽出し、エンコードし、優先順位付けする。
  論文  参考訳（メタデータ） (2025-01-30T20:37:47Z)
• Chasing Fairness in Graphs: A GNN Architecture Perspective [73.43111851492593]
  グラフニューラルネットワーク(GNN)の統一最適化フレームワーク内で設計されたtextsfFair textsfMessage textsfPassing(FMP)を提案する。 FMPでは、アグリゲーションがまず隣人の情報を活用するために採用され、バイアス軽減ステップにより、人口集団ノードのプレゼンテーションセンタが明示的に統合される。 ノード分類タスクの実験により、提案されたFMPは、実世界の3つのデータセットの公平性と正確性の観点から、いくつかのベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2023-12-19T18:00:15Z)
• Interpretable A-posteriori Error Indication for Graph Neural Network Surrogate Models [0.0]
  本稿では,グラフニューラルネットワーク(GNN)の解釈可能性向上手法を提案する。 最終結果は、予測タスクに本質的に関連付けられたサブグラフに対応する物理空間内の領域を分離する解釈可能なGNNモデルである。 解釈可能なGNNは、推論中に予測される予測エラーの大部分に対応するグラフノードを特定するためにも使用できる。
  論文  参考訳（メタデータ） (2023-11-13T18:37:07Z)
• FourierGNN: Rethinking Multivariate Time Series Forecasting from a Pure Graph Perspective [48.00240550685946]
  現在の最先端グラフニューラルネットワーク(GNN)ベースの予測手法は、通常、シリーズ間(空間)のダイナミックスとシリーズ内(時間)の依存関係をキャプチャするために、グラフネットワーク(GCNなど)と時間ネットワーク(LSTMなど)の両方を必要とする。 提案するフーリエグラフ演算子(FGO)を積み重ねて,フーリエ空間で行列乗算を行うことにより,新しいフーリエグラフニューラルネットワーク(FourierGNN)を提案する。 7つのデータセットに対する実験は、より効率が良く、パラメータも少ないという優れた性能を示した。
  論文  参考訳（メタデータ） (2023-11-10T17:13:26Z)
• Temporal Aggregation and Propagation Graph Neural Networks for Dynamic Representation [67.26422477327179]
  時間グラフは連続時間を通してノード間の動的相互作用を示す。 本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。 提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-15T08:17:18Z)
• EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [92.71579608528907]
  本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。 EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
  論文  参考訳（メタデータ） (2023-03-22T06:35:08Z)
• Spatio-Temporal Latent Graph Structure Learning for Traffic Forecasting [6.428566223253948]
  S-Temporal Latent Graph Structure Learning Network (ST-LGSL) を提案する。 このモデルは多層パーセプトロンとK-Nearest Neighborに基づくグラフを用いて、データ全体から潜在グラフトポロジ情報を学習する。 kNNの接地確率行列に基づく依存関係-kNNと類似度メートル法により、ST-LGSLは地理的およびノード類似度に重点を置くトップを集約する。
  論文  参考訳（メタデータ） (2022-02-25T10:02:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。