論文の概要: GNN4PPM: Multi-Target Predictive Process Monitoring with Relational Graph Convolutional Networks

• arxiv url: http://arxiv.org/abs/2609.14534v1
• Date: Sun, 13 Sep 2026 14:12:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.836884
• Title: GNN4PPM: Multi-Target Predictive Process Monitoring with Relational Graph Convolutional Networks
• Title（参考訳）: GNN4PPM:リレーショナルグラフ畳み込みネットワークを用いたマルチターゲット予測プロセス監視
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predictive Process Monitoring (PPM) aims at predicting at runtime and as early as possible the future states of a process execution. Common tasks include predicting the next event, the time to completion of a trace, and outcomes. Existing approaches typically consider an event from the perspective of the executed activities along with their timestamps and case identifiers. This leads to the disadvantage that in real-life settings, there is much more information recorded in the event log that is not captured or completely ignored when performing prediction tasks. We introduce GNN4PPM, an approach that predicts all next events along with their complete data payload at once. We represent event information in a heterogeneous knowledge graph that captures the event log as an RDF semantics, and train the embeddings with a Relational Graph Convolutional Network (R-GCN). Our approach is promising in comparison to existing solutions, and experiments with state-of-the-art solutions prove the accuracy and applicability of GNN4PPM in complex settings.
• Abstract（参考訳）: Predictive Process Monitoring (PPM)は、実行時に、できるだけ早く、プロセス実行の将来の状態を予測することを目的としている。 一般的なタスクとしては、次のイベントの予測、トレースの完了までの時間、結果などがある。 既存のアプローチでは、イベントを実行されたアクティビティの観点から、タイムスタンプやケース識別子とともに考慮するのが一般的である。 これは、実際の設定では、予測タスクの実行時にキャプチャされない、あるいは完全に無視されていないイベントログに記録される情報が、はるかに多く存在するというデメリットをもたらします。 GNN4PPMは、すべての次のイベントと、その完全なデータペイロードを同時に予測するアプローチです。 我々は、イベントログをRDFセマンティクスとしてキャプチャする異種知識グラフでイベント情報を表現し、リレーショナルグラフ畳み込みネットワーク(R-GCN)を用いて埋め込みを訓練する。 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。

関連論文リスト

• EHHN: An Event-driven Heterogeneous Hypergraph Network for Object-Centric Next Activity Prediction [13.747281132468848]
  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。
  論文  参考訳（メタデータ） (2026-07-02T06:57:06Z)
• Predictive Process Monitoring Using Object-centric Graph Embeddings [0.0]
  本稿では,次のアクティビティ予測と次のイベント時間という2つのタスクに焦点をあて,将来のプロセス行動を予測するエンド・ツー・エンド・エンド・モデルを提案する。 提案モデルでは,アクティビティとその関係を符号化するグラフアテンションネットワークと,時間的依存を処理するLSTMネットワークを併用する。
  論文  参考訳（メタデータ） (2025-07-21T09:10:49Z)
• Causal Graph based Event Reasoning using Semantic Relation Experts [56.328115024900725]
  本稿では,大規模言語モデル(LLM)が推論中の因果関係を明確に表現するための並列メカニズムとして,因果事象グラフの生成について検討する。 LLMを用いて特定の意味関係に着目した専門家をシミュレートする因果グラフ生成のための協調的アプローチを提案する。 また、説明にイベントの因果連鎖を必要とする、説明可能なイベント予測タスクも導入する。
  論文  参考訳（メタデータ） (2025-06-07T20:15:45Z)
• 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)
• Detecting Anomalous Events in Object-centric Business Processes via Graph Neural Networks [55.583478485027]
  本研究では,ビジネスプロセスにおける異常検出のための新しいフレームワークを提案する。 まず、属性グラフとしてオブジェクト中心のイベントログのプロセス依存性を再構築する。 次に、異常事象を検出するために、グラフ畳み込みオートエンコーダアーキテクチャを用いる。
  論文  参考訳（メタデータ） (2024-02-14T14:17:56Z)
• Graph-based Asynchronous Event Processing for Rapid Object Recognition [59.112755601918074]
  イベントカメラは、各イベントがピクセル位置、トリガ時間、明るさの極性が変化するような非同期イベントストリームをキャプチャする。 イベントカメラのための新しいグラフベースのフレームワーク、SlideGCNを紹介した。 当社のアプローチでは、データをイベント単位で効率的に処理し、内部でグラフの構造を維持しながら、イベントデータの低レイテンシ特性を解放することが可能です。
  論文  参考訳（メタデータ） (2023-08-28T08:59:57Z)
• Avoiding Post-Processing with Event-Based Detection in Biomedical Signals [69.34035527763916]
  学習対象としてイベントを直接扱うイベントベースのモデリングフレームワークを提案する。 イベントベースのモデリング(後処理なし)は、広範囲な後処理を伴うエポックベースのモデリングと同等以上のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2022-09-22T13:44:13Z)
• 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)
• Evidential Temporal-aware Graph-based Social Event Detection via Dempster-Shafer Theory [76.4580340399321]
  ETGNN(Evidential Temporal-aware Graph Neural Network)を提案する。 ノードがテキストであり、エッジがそれぞれ複数の共有要素によって決定されるビュー固有グラフを構築する。 ビュー固有の不確実性を考慮すると、すべてのビューの表現は、明らかなディープラーニング(EDL)ニューラルネットワークを介してマス関数に変換される。
  論文  参考訳（メタデータ） (2022-05-24T16:22:40Z)
• 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)

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。