From Source to Target: Leveraging Transfer Learning for Predictive Process Monitoring in Organizations
Chair of Digital Industrial Service Systems, Friedrich-Alexander-Universität Erlangen-Nürnberg（数字工业服务系统教授，弗赖堡-亚历山大大学埃尔兰根-纽伦堡）；Professorship for Business Analytics, Technische Hochschule Nürnberg Georg Simon Ohm（商业分析教授，技术学院纽伦堡乔治·西蒙·奥姆）
Sven Weinzierl, Sandra Zilker, Annina Liessmann, Martin Käppel, Weixin Wang, Martin Matzner
本文提出基于迁移学习的预测性流程监控方法，通过在组织内和跨组织场景迁移预训练模型等资源，解决目标组织事件数据不足的问题，并在 IT 服务管理流程实验中验证其有效性。
摘要：
事件日志反映了组织信息系统中所映射的业务流程行为。预测性流程监控（PPM）通过生成与流程相关的预测，将这些数据转化为价值，从而为在流程运行时采取主动干预提供所需洞察。现有的 PPM 技术需要充足的事件数据或其他相关资源，而这些资源可能并不容易获得，从而阻碍部分组织使用 PPM。本文提出的基于迁移学习的 PPM 技术，使缺乏合适事件数据或其他相关资源的组织也能够实施 PPM，以获得有效的决策支持。该技术在一个真实的组织内用例和一个真实的跨组织用例中进行了实例化，并基于这些用例，使用 IT 服务管理流程的事件日志开展数值实验。实验结果表明，一个业务流程的知识可以迁移到同一组织或不同组织中的类似业务流程，从而在目标情境中实现有效的 PPM。所提出的技术通过在组织边界内部及跨组织边界迁移预训练模型等资源，使组织能够在组织内和跨组织场景中受益于迁移学习。
英文摘要：
Event logs reflect the behavior of business processes that are mapped in organizational information systems. Predictive process monitoring (PPM) transforms these data into value by creating process-related predictions that provide the insights required for proactive interventions at process runtime. Existing PPM techniques require sufficient amounts of event data or other relevant resources that might not be readily available, which prevents some organizations from utilizing PPM. The transfer learning-based PPM technique presented in this paper allows organizations without suitable event data or other relevant resources to implement PPM for effective decision support. This technique is instantiated in both a real-life intra- and an inter-organizational use case, based on which numerical experiments are performed using event logs for IT service management processes. The results of the experiments suggest that knowledge of one business process can be transferred to a similar business process in the same or a different organization to enable effective PPM in the target context. The proposed technique allows organizations to benefit from transfer learning in intra- and inter-organizational settings by transferring resources such as pre-trained models within and across organizational boundaries.
Smartphone-Based Test and Predictive Models for Rapid, Non-Invasive, and Point-of-Care Monitoring of Ocular and Cardiovascular Complications Related to Diabetes
Predictive Process Model Monitoring using Recurrent Neural Networks
KU Leuven（鲁汶大学）
预测性流程监控领域关注案例级模型，以预测单个特定结果，例如特定目标、（剩余）时间或下一个活动/剩余序列。最近，一个更长的地平线，模型范围内的方法已被提出的过程模型预测的形式，它预测整个过程模型的未来状态，通过预测的所有活动，活动的关系，一次使用时间序列预测。本文介绍了\emph{predictive process model monitoring}的概念，它位于预测过程监控和过程模型预测的中间。具体地，通过将过程模型建模为随时间推移存在于活动之间的一组约束，与过程模型预测相比，我们可以捕获活动之间的更详细的信息，同时与通常以与这些约束相同的语言表示的典型预测过程监控目标兼容。为了实现这一点，引入了电影处理（PAM），即，一种能够联合挖掘和预测流程执行的各个窗口中的活动之间的声明性流程约束的新技术。PAM预测什么声明性规则适用于跟踪（基于对象），这也支持将所有约束作为一个流程模型（基于模型）一起预测。各种递归神经网络拓扑结构的灵感来自视频分析定制的时间高维输入的过程模型的演变与窗口作为时间步长，包括编码器-解码器长短期记忆网络，和卷积长短期记忆网络。在实际事件日志中获得的结果表明，这些拓扑结构在预测准确性和精度方面是有效的。
Predictive Monitoring with Logic-Calibrated Uncertainty for Cyber-Physical Systems
University of Virginia（弗吉尼亚大学）；TU Wien（维也纳工业大学）
预测监控-预测未来的状态和监控，如果预测的状态满足要求-提供了一个很有前途的范例，支持决策的网络物理系统（CPS）。现有的预测监测工作主要集中在监测单个预测，而不是顺序预测。我们开发了一种新的方法来监测贝叶斯递归神经网络（RNN）生成的序列预测，该方法可以捕获CPS中固有的不确定性，并借鉴我们对现实世界CPS数据集的研究。我们提出了一种名为\emph{Signal Temporal Logic with Uncertainty}（STL-U）的新逻辑来监控包含由贝叶斯RNN预测的无限个不确定序列集的流管。我们定义STL-U强和弱满足语义的基础上，如果所有或一些序列中包含的流管满足的要求。我们还开发了计算置信水平范围的方法，在该置信水平范围内，保证流管强（弱）满足STL-U公式。此外，我们开发了新的标准，利用STL-U监测结果来校准贝叶斯RNN中的不确定性估计。最后，我们通过对真实世界数据集和模拟智能城市案例研究的实验来评估所提出的方法，这些实验显示了基于STL-U的预测监测方法优于基线的非常令人鼓舞的结果。
Embedding Graph Convolutional Networks in Recurrent Neural Networks for Predictive Monitoring
Centro Singular de Investigación en Tecnoloxías Intelixentes (CiTIUS), Universidade de Santiago de Compostela（圣地亚哥-德孔波斯特拉大学智能技术研究中心（CiTIUS））；Universidade de Santiago de Compostela（圣地亚哥-德孔波斯特拉大学）；Departamento de Electrónica e Computación, Universidade de Santiago de Compostela（圣地亚哥-德孔波斯特拉大学电子与计算系）
PreAct-Bench: Benchmarking Predictive Monitoring in LLMs
King’s College London（伦敦国王学院）；National University of Singapore（新加坡国立大学）；Southern University of Science and Technology（南方科技大学）；Thomson Reuters Foundational Research（汤姆森路透基础研究）；Imperial College London（伦敦帝国学院）；The Alan Turing Institute（艾伦·图灵研究所）
From Data Lifting to Continuous Risk Estimation: A Process-Aware Pipeline for Predictive Monitoring of Clinical Pathways
Department of Informatics, University of Bari Aldo Moro（巴里阿尔多·莫罗大学信息学院）；Department of Engineering, University of Sannio（萨尼奥大学工程学院）；Department of Economy and Law, UnitelmaSapienza University（单位elma萨皮恩扎大学经济法学院）
Leveraging Data Augmentation and Siamese Learning for Predictive Process Monitoring
Department of Mathematics and Computer Science, Eindhoven University of Technology, The Netherlands（数学与计算机科学系，埃因霍温理工大学，荷兰）；Department of Mathematics and Computer Science, University of Padua, Italy（数学与计算机科学系，帕多瓦大学，意大利）
An Innovative Next Activity Prediction Using Process Entropy and Dynamic Attribute-Wise-Transformer in Predictive Business Process Monitoring
Department of Electrical and Computer Engineering, Faculty of Engineering and Computer Science, University of Victoria（维多利亚大学工程与计算机科学学院电气与计算机工程系）；Department of Mechanical Engineering, Faculty of Engineering and Computer Science, University of Victoria（维多利亚大学工程与计算机科学学院机械工程系）
Structural Positional Encoding for knowledge integration in transformer-based medical process monitoring
Laboratorio Integrato di Intelligenza Artificiale e Informatica in Medicina DAIRI（人工智能与医学信息整合实验室DAIRI）；Azienda Ospedaliera SS. Antonio e Biagio e Cesare Arrigo（安东尼和比阿乔和卡雷罗医院）
