論文の概要: Graph Grounded Cross Attention Transformer Neural Network for Structurally Constrained Full Event Sequence Generation in Predictive Process Monitoring
- arxiv url: http://arxiv.org/abs/2606.18726v1
- Date: Wed, 17 Jun 2026 06:10:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-18 17:16:51.02929
- Title: Graph Grounded Cross Attention Transformer Neural Network for Structurally Constrained Full Event Sequence Generation in Predictive Process Monitoring
- Title（参考訳）: 予測プロセスモニタリングにおける構造制約付き全事象系列生成のためのグラフ接地クロスアテンショントランスニューラルネット
- Authors: Fang Wang, Ernesto Damiani,
- Abstract要約: 本稿では,グラフグラウンドド・クロスアテンション・トランスニューラルネットを提案する。
GGATNは、アクティビティ、タイムスタンプ、長さ、イベントレベル、シーケンスレベル属性を単一のパスで生成する。
6つのベンチマークイベントログの実験は、ローカル命令よりも信頼性の高い生成品質を示している。
- 参考スコア（独自算出の注目度）: 3.793186450307008
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Structurally constrained event sequence generation remains challenging because generated paths must preserve transition feasibility, temporal order, termination, and attribute consistency. In predictive process monitoring (PPM), this challenge appears as full event sequence generation, whereas existing work mainly addresses component tasks such as next activity, remaining time, outcome, and attribute prediction. This paper proposes the Graph Grounded Cross Attention Transformer Neural Network (GGATN) for this unified PPM task. GGATN uses a global process graph as structured activity memory, contextualizes sequence positions through Transformer self attention, and injects process topology through graph grounded cross attention. Unlike autoregressive decoding, GGATN generates activities, timestamps, length, and event level and sequence level attributes in a single pass, followed by Viterbi style graph constrained decoding for feasible paths and explicit termination. Experiments on six benchmark event logs show more reliable generation quality than local instruction prompted LLM baselines. GGATN achieves strong performance on sequence similarity, Damerau Levenshtein similarity, bigram based control flow similarity, and duration distribution, while maintaining zero hallucinated activities and zero sequence level attribute inconsistency. Ablation analyses confirm the global graph encoder as a stable structural prior. Interpretability analyses show how graph structure, sequence context, feedback refinement, and constrained decoding shape generation.
- Abstract（参考訳）: 生成したパスは、遷移実現可能性、時間的順序、終了、属性整合性を保持する必要があるため、構造的に制約されたイベントシーケンスの生成は依然として困難である。
予測プロセス監視(PPM)では、この課題は完全なイベントシーケンス生成として現れ、既存の作業は、主に次のアクティビティ、残り時間、結果、属性予測といったコンポーネントタスクに対処する。
本稿では,この統合PPMタスクに対して,グラフグラウンドド・クロスアテンション・トランスフォーマニューラルネットワーク(GGATN)を提案する。
GGATNは、構造化されたアクティビティメモリとしてグローバルプロセスグラフを使用し、トランスフォーマーの自己注意を通じてシーケンス位置をコンテキスト化し、グラフ基底のクロスアテンションを通じてプロセストポロジを注入する。
自己回帰デコーディングとは異なり、GGATNは単一のパスでアクティビティ、タイムスタンプ、長さ、イベントレベル、シーケンスレベル属性を生成し、続いて、実現可能なパスと明示的な終了のためのVitabiスタイルのグラフを制約したデコーディングを行う。
6つのベンチマークイベントログの実験は、LLMベースラインを誘導するローカル命令よりも信頼性の高い生成品質を示している。
GGATNは、シーケンス類似性、Damerau Levenshtein類似性、Bigramベース制御フロー類似性、持続時間分布に強い性能を達成し、無幻覚活動とゼロシーケンスレベル属性の不整合を維持している。
アブレーション解析は、グローバルグラフエンコーダを安定した構造上の先行として確認する。
解釈可能性分析は、グラフ構造、シーケンスコンテキスト、フィードバックリファインメント、制約付きデコード形状の生成方法を示す。
関連論文リスト
- GraphBit: A Graph-based Agentic Framework for Non-Linear Agent Orchestration [34.588097323063074]
GraphBitは、明示的に決定的に有向非巡回グラフ(DAG)として定義するエンジンオーケストレーションフレームワークである。
インシデントオーケストレーションとは異なり、GraphBitのエージェントは型付き関数として動作し、Rustベースのエンジンはルーティング、状態遷移、ツール呼び出しを制御し、監査性を保証する。
一時的なスクラッチスペース、構造化状態、外部コネクタで構成される3層メモリアーキテクチャは、ステージ間でコンテキストを分離し、長時間実行中のパイプラインにおける推論を低下させるカスケードコンテキストを防止する。
論文 参考訳（メタデータ） (2026-03-08T18:32:28Z) - GLOW: Graph-Language Co-Reasoning for Agentic Workflow Performance Prediction [51.83437071408662]
本稿では,AW性能予測のための統合フレームワークGLOWを提案する。
GLOWは、GNNのグラフ構造モデリング能力とLLMの推論能力を組み合わせる。
FLORA-Benchの実験では、GLOWは予測精度とランキングユーティリティにおいて最先端のベースラインを上回っている。
論文 参考訳（メタデータ） (2025-12-11T13:30:46Z) - UniGTE: Unified Graph-Text Encoding for Zero-Shot Generalization across Graph Tasks and Domains [12.05107789697386]
構造的および意味的推論を統一する命令調整型エンコーダデコーダフレームワークUniGTEを紹介する。
UniGTEは、ノードレベル、エッジレベル、およびさまざまなドメインにわたるグラフレベルタスクにまたがる5つのデータセットに基づいて、命令調整される。
クロスタスクおよびクロスドメイン設定下で、ノード分類、リンク予測、グラフ分類、グラフ回帰に関する最新のゼロショットの新たな結果を達成する。
論文 参考訳（メタデータ） (2025-10-19T15:36:45Z) - Time-Aware and Transition-Semantic Graph Neural Networks for Interpretable Predictive Business Process Monitoring [6.125909573003906]
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。
論文 参考訳（メタデータ） (2025-08-13T06:21:42Z) - A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。
我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。
GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
論文 参考訳（メタデータ） (2024-06-19T22:30:08Z) - Learning Point Processes using Recurrent Graph Network [11.445441489156027]
本稿では,RGN(Recurrent Graph Network)アプローチを提案する。
Graph NetworkのノードはLSTMを使用して過去の情報を取り込み、Graph Attention Network(GAT Network)はこれらの異なるタイプのイベント間のインタラクションをキャプチャするために強力な誘導バイアスを導入している。
実験により,提案手法は,最先端の Transformer ベースのアーキテクチャと比較して,時間と空間の複雑さを低減し,ログライクなタスク,予測,適度なタスクのパフォーマンスを向上させることが示された。
論文 参考訳（メタデータ） (2022-08-11T10:08:23Z) - AEGNN: Asynchronous Event-based Graph Neural Networks [54.528926463775946]
イベントベースのグラフニューラルネットワークは、標準のGNNを一般化して、イベントを"進化的"時間グラフとして処理する。
AEGNNは同期入力で容易に訓練でき、テスト時に効率的な「非同期」ネットワークに変換できる。
論文 参考訳（メタデータ） (2022-03-31T16:21:12Z) - Don't Take It Literally: An Edit-Invariant Sequence Loss for Text
Generation [109.46348908829697]
生成したn-gramのすべてのn-gramとの一致損失を計算した新しい編集不変シーケンス損失(EISL)を提案する。
ノイズの多いターゲットシーケンスを持つ機械翻訳,教師なしテキストスタイル転送,非自己回帰型機械翻訳の3つのタスクについて実験を行った。
論文 参考訳（メタデータ） (2021-06-29T03:59:21Z) - Structural Temporal Graph Neural Networks for Anomaly Detection in
Dynamic Graphs [54.13919050090926]
本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。
特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。
抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
論文 参考訳（メタデータ） (2020-05-15T09:17:08Z) - Efficient and Stable Graph Scattering Transforms via Pruning [86.76336979318681]
グラフ散乱変換(GST)は、グラフデータから特徴を抽出する訓練のないディープGCNモデルを提供する。
GSTが支払う価格は、層の数によって増加する空間と時間の指数関数的な複雑さである。
本研究は, GST の複雑性の限界に対処し, 効率的な (p) GST アプローチを導入する。
論文 参考訳（メタデータ） (2020-01-27T16:05:56Z)
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。