예측적 프로세스 모니터링에서 구조적 제약 하 전체 이벤트 시퀀스 생성을 위한 Graph Grounded Cross Attention 트랜스포머 신경망
Graph Grounded Cross Attention Transformer Neural Network for Structurally Constrained Full Event Sequence Generation in Predictive Process Monitoring
구조적 제약이 있는 이벤트 시퀀스 생성은 생성된 경로가 전이 가능성, 시간적 순서, 종료, 속성 일관성을 유지해야 하므로 여전히 도전적인 과제이다. 예측적 프로세스 모니터링(PPM)에서 이 과제는 전체 이벤트 시퀀스 생성으로 나타나는 반면, 기존 연구는 주로 다음 활동, 남은 시간, 결과, 속성 예측과 같은 구성 요소 과제를 다룬다. 본 논문은 이 통합 PPM 과제를 위해 Graph Grounded Cross Attention 트랜스포머 신경망(GGATN)을 제안한다. GGATN은 글로벌 프로세스 그래프를 구조화된 활동 메모리로 사용하고, 트랜스포머 자기 어텐션(self attention)을 통해 시퀀스 위치의 맥락을 파악하며, 그래프 그라운딩 크로스 어텐션(graph grounded cross attention)을 통해 프로세스 토폴로지를 주입한다. 자기회귀(autoregressive) 디코딩과 달리 GGATN은 활동, 타임스탬프, 길이, 이벤트 수준 및 시퀀스 수준 속성을 단일 패스로 생성한 뒤, 실행 가능한 경로와 명시적 종료를 위해 Viterbi 방식의 그래프 제약 디코딩을 수행한다. 6개의 벤치마크 이벤트 로그에 대한 실험 결과, 로컬 인스트럭션 프롬프트 기반 LLM 베이스라인보다 더 신뢰할 수 있는 생성 품질을 보여준다. GGATN은 시퀀스 유사도, Damerau-Levenshtein 유사도, 바이그램 기반 제어 흐름 유사도, 지속 시간 분포에서 강한 성능을 달성하면서, 환각된 활동 0건과 시퀀스 수준 속성 불일치 0건을 유지한다. 소거(ablation) 분석을 통해 글로벌 그래프 인코더가 안정적인 구조적 사전분포(prior)임을 확인한다. 해석 가능성 분석은 그래프 구조, 시퀀스 컨텍스트, 피드백 정제, 제약 디코딩이 생성을 어떻게 형성하는지 보여준다.