論文の概要: EHHN: An Event-driven Heterogeneous Hypergraph Network for Object-Centric Next Activity Prediction

• arxiv url: http://arxiv.org/abs/2607.01785v1
• Date: Thu, 02 Jul 2026 06:57:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.712711
• Title: EHHN: An Event-driven Heterogeneous Hypergraph Network for Object-Centric Next Activity Prediction
• Title（参考訳）: EHHN:オブジェクト中心次活動予測のためのイベント駆動不均一ハイパーグラフネットワーク
• Abstract要約: 次のアクティビティ予測は、遅延や例外、サービスレベルのリスクが発生する前に、サービス指向プロセスが今後のステップを予測するのに役立つ。 本稿では,オブジェクト中心の次活動予測のためのイベント駆動不均一ハイパーグラフネットワークであるEHHNを提案する。 4つのパブリックOCELベンチマークの実験では、EHHNはすべてのデータセットで最高の精度とマクロF1スコアを達成する。
• 参考スコア（独自算出の注目度）: 13.747281132468848
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Next activity prediction helps service-oriented processes anticipate upcoming steps before delays, exceptions, or service-level risks occur. Most existing methods assume classical single-case event logs, whereas real service processes often involve events shared by multiple typed business objects. Object-centric event logs (OCELs) capture such interactions, but current predictors remain limited. Flattening-based approaches lose cross-object context, and native OCEL graph-based approaches encode multi-object events through pairwise relations. Existing models also do not jointly capture event-driven object state changes, inter-event timing, and global execution patterns. We propose EHHN, an Event-driven Heterogeneous Hypergraph Network for object-centric next activity prediction. EHHN represents each prediction prefix as a heterogeneous hypergraph, where event--object hyperedges bind retained co-participating objects and a lifecycle hyperedge groups the primary object's observed lifecycle events. Based on this representation, EHHN uses a dual-stream architecture in which a micro-spatial stream models event-driven object-state evolution and a macro-evolution stream captures temporal dynamics using retrieved global prototypes. The two streams are fused to predict the next activity. Experiments on four public OCEL benchmarks against nine baselines show that EHHN achieves the best accuracy and macro F1-score on all datasets, with improvements of up to 8.1 and 12.4 percentage points over the strongest baselines. Compared with the strongest OCEL-native graph baseline, EHHN also reduces peak GPU memory by up to 24 times. Code is available at https://github.com/chenkaitao1112/EHHN.
• Abstract（参考訳）: 次のアクティビティ予測は、遅延や例外、サービスレベルのリスクが発生する前に、サービス指向プロセスが今後のステップを予測するのに役立つ。 既存のほとんどのメソッドは古典的な単一ケースのイベントログを前提としていますが、実際のサービスプロセスは複数の型付きビジネスオブジェクトで共有されるイベントを伴います。 オブジェクト中心のイベントログ(OCEL)はそのようなインタラクションをキャプチャするが、現在の予測子は限定的である。 フラッテニングベースのアプローチは、クロスオブジェクトコンテキストを失い、ネイティブOCELグラフベースのアプローチは、ペアワイズリレーションを通じてマルチオブジェクトイベントをエンコードする。 既存のモデルでは、イベント駆動のオブジェクト状態の変化、イベント間タイミング、グローバル実行パターンを共同でキャプチャすることはできません。 本稿では,オブジェクト中心の次活動予測のためのイベント駆動不均一ハイパーグラフネットワークであるEHHNを提案する。 EHHNは、各予測プレフィックスを異種ハイパーグラフとして表現し、イベントオブジェクトのハイパーエッジが保持された共参加オブジェクトに結合し、ライフサイクルハイパーエッジが主要なオブジェクトのライフサイクルイベントをグループ化する。 この表現に基づいて、EHHNは、マイクロ空間ストリームがイベント駆動のオブジェクト状態の進化をモデル化し、マクロ進化ストリームが得られたグローバルプロトタイプを使用して時間的ダイナミクスをキャプチャするデュアルストリームアーキテクチャを使用する。 2つのストリームは、次のアクティビティを予測するために融合されます。 9つのベースラインに対する4つのパブリックOCELベンチマークの実験により、EHHNは最強ベースラインに対して最大8.1および12.4ポイントの改善を達成し、すべてのデータセット上で最高の精度とマクロF1スコアを達成することが示された。 最も強力なOCELネイティブグラフベースラインと比較して、EHHNはピークGPUメモリを最大24倍削減する。 コードはhttps://github.com/chenkaitao1112/EHHNで公開されている。

関連論文リスト

• GNN4PPM: Multi-Target Predictive Process Monitoring with Relational Graph Convolutional Networks [0.0]
  GNN4PPMは、すべての次のイベントと完全なデータペイロードを一度に予測するアプローチである。 提案手法は既存のソリューションと比較して有望であり, 複雑な環境でのGNN4PPMの精度と適用性を示す。
  論文  参考訳（メタデータ） (2026-09-13T14:12:10Z)
• EventGait: Towards Robust Gait Recognition with Event Streams [50.890621860023]
  イベントカメラは、マイクロ秒時間分解能と高ダイナミックレンジを提供し、自然にロバストなダイナミックキューをキャプチャし、静的ノイズを抑制する。 イベントの利点を保ちながら、動きと形状を別々にモデル化する、エンドツーエンドのデュアルストリームフレームワークである textbfEventGait を提案する。 当社のアプローチでは,イベント駆動歩行分析の堅牢性と可能性を強調し,合成および実世界の歩行ベンチマークに新たな技術状況が設定されている。
  論文  参考訳（メタデータ） (2026-05-21T08:12:04Z)
• From Frames to Events: Rethinking Evaluation in Human-Centric Video Anomaly Detection [9.404376027901277]
  ポースベースのビデオ異常検出(VAD)は、プライバシー保護の性質と環境変動に対する堅牢性において大きな注目を集めている。 従来のフレームレベルの評価では、ビデオは孤立したフレームの集合として扱われ、現実の世界で異常がどのように現れ、行動するかを根本的に誤解している。 本稿では,階層的なガウススムースメントと適応二項化を備えたスコアリファインメントパイプラインと,イベントレベルの検出を直接生成するエンドツーエンドのデュアルブランチモデルという,時間的イベントローカライゼーションのための2つの戦略を紹介する。
  論文  参考訳（メタデータ） (2026-04-10T13:52:18Z)
• EHGCN: Hierarchical Euclidean-Hyperbolic Fusion via Motion-Aware GCN for Hybrid Event Stream Perception [57.54227977352417]
  イベントカメラは、知覚タスクのための高速なイベントストリームを出力する。 ユークリッド空間と双曲空間の両方においてイベントストリームを知覚するためのEHGCNという新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-04-23T11:01:03Z)
• HOEG: A New Approach for Object-Centric Predictive Process Monitoring [0.6144680854063939]
  予測プロセスモニタリングは、残りの時間を予測するなど、進行中のプロセス実行の将来の状態を予測することに焦点を当てる。 オブジェクト中心のプロセスマイニングの最近の進歩は、オブジェクトとイベントデータと、イベント間の明示的な関係を豊かにしている。 本稿では,イベントとオブジェクトを多種多様なノード型でグラフ構造に統合するヘテロジニアスオブジェクトイベントグラフ符号化(HOEG)を提案する。 そして、予測タスクにこれらの多様なオブジェクト特徴を組み込んだ異種グラフニューラルネットワークアーキテクチャを採用する。
  論文  参考訳（メタデータ） (2024-04-08T09:06:16Z)
• Exploring the Limits of Historical Information for Temporal Knowledge Graph Extrapolation [59.417443739208146]
  本稿では,歴史的コントラスト学習の新しい学習枠組みに基づくイベント予測モデルを提案する。 CENETは、最も潜在的なエンティティを識別するために、歴史的および非歴史的依存関係の両方を学ぶ。 提案したモデルを5つのベンチマークグラフで評価する。
  論文  参考訳（メタデータ） (2023-08-29T03:26:38Z)
• Document-Level Multi-Event Extraction with Event Proxy Nodes and Hausdorff Distance Minimization [31.065768513381414]
  文書レベルのマルチイベント抽出は、所定の文書から構造情報を自動的に抽出することを目的としている。 本稿では,イベントプロキシノードとハウスドルフ距離最小化を用いた文書レベルのマルチイベント抽出手法を提案する。 本モデルでは,F1スコアにおける従来手法よりも,トレーニング時間が少ない2つのデータセットの方が優れていた。
  論文  参考訳（メタデータ） (2023-05-30T10:33:05Z)
• Continuous-time convolutions model of event sequences [46.3471121117337]
  イベントシーケンスは不均一でスパースであり、従来のモデルは不適当である。 我々は、時間とともに一様でない事象の発生を処理するために設計された効率的な畳み込みニューラルネットワークに基づくCOTICを提案する。 COTICは、次のイベント時間とタイプを予測する際に既存のモデルよりも優れており、最も近いライバルの3.714と比較して平均1.5のランクに達している。
  論文  参考訳（メタデータ） (2023-02-13T10:34:51Z)
• DisenHCN: Disentangled Hypergraph Convolutional Networks for Spatiotemporal Activity Prediction [53.76601630407521]
  本稿では,既存のソリューションのギャップを埋めるために,DistenHCNと呼ばれるハイパーグラフネットワークモデルを提案する。 特に,ユーザの好みと時間的活動の複雑なマッチングをヘテロジニアスなハイパーグラフにまとめる。 次に、ユーザ表現を異なる側面(位置認識、時間認識、活動認識)に切り離し、構築したハイパーグラフ上に対応するアスペクトの特徴を集約する。
  論文  参考訳（メタデータ） (2022-08-14T06:51:54Z)
• CEP3: Community Event Prediction with Neural Point Process on Graph [59.434777403325604]
  グラフニューラルネットワークとマーク付き時間点プロセス(MTPP)を組み合わせた新しいモデルを提案する。 実験では,モデルの精度と訓練効率の両面から,モデルの優れた性能を実証した。
  論文  参考訳（メタデータ） (2022-05-21T15:30:25Z)
• 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)
• Document-level Event Extraction via Heterogeneous Graph-based Interaction Model with a Tracker [23.990907956996413]
  文書レベルのイベント抽出は、記事全体からイベント情報を認識することを目的としている。 この2つの課題のために既存の手法は有効ではない。 トラッカーを用いた異種グラフベースインタラクションモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-31T12:45:03Z)

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。