神経記号プロセス異常検知

要旨: プロセス異常検知は、プロセスの通常の振る舞いからの逸脱を特定するためのプロセスマイニングにおける重要な応用である。近年、この課題に対してニューラルネットワークベースの手法が適用され、あらかじめ定義されたプロセスモデルを必要とせず、イベントログから直接学習する。しかし、異常検知は純粋に統計的な課題であるため、これらのモデルは人間の領域知識を取り込むことに失敗する。その結果、まれではあるが整合的（コンフォーマント）なトレースは、その出現頻度が低いことによりしばしば異常として誤分類され、検知プロセスの有効性が制限される。神経記号論（neuro-symbolic）AI分野における最近の発展では、実数値論理を用いて記号知識をニューラルネットワークへ統合する手段として、論理テンソルネットワーク（Logic Tensor Networks: LTN）が導入された。本研究では、LTNとDeclare制約を用いて領域知識をニューラル異常検知へ統合する、神経記号論的アプローチを提案する。基盤としてオートエンコーダモデルを用い、Declare制約を学習プロセス内のソフトな論理ガードレールとして符号化し、異常な振る舞いと、まれだが整合的な振る舞いとを区別する。合成データセットおよび実世界データセットでの評価により、本手法は整合的トレースがわずか10件しか存在しない場合でもF1スコアを改善すること、さらにDeclare制約の選択、ひいては人間の領域知識の選択が、性能向上に大きく影響することが示される。