概要: 予測型プロセス監視（PPM）は、次のアクティビティ予測を含め、将来のプロセス軌跡を予測することに焦点を当てます。これは、プロセスが変化する、または不確実性に直面するような動的環境において重要です。しかし、現在の枠組みの多くは静的な環境を前提としており、動的な特性やコンセプトドリフト（概念のずれ）を見落としています。その結果、壊滅的忘却が起こります。これは、新しいデータ分布に単に注意を向けながら学習することが、以前に学習したデータ分布に対する性能を悪化させる現象です。継続学習は、他にも壊滅的忘却の緩和に関する課題に取り組みます。本論文では、壊滅的忘却を緩和しつつ精度と適応性を向上させるために、次アクティビティ予測向けにDualPromptアルゴリズムを適応させた、新しい手法「Continual Next Activity Prediction with Prompts（CNAPwP）」を提案します。本研究では、反復するコンセプトドリフトを伴う新しいデータセットを導入し、さらにタスク固有の忘却指標として、初回発生時とその後のタスク発生時の予測精度の差を測定する指標を提案します。複数の反復ドリフトのシナリオを表す、3つの合成データセットと2つの実世界データセットに対する大規模な検証の結果、CNAPwPは5つのベースラインと比較して、SOTA（最先端）または競争力のある結果を達成し、実世界のシナリオへの適用可能性を示しています。本手法のオープンソース実装と、データセットおよび結果は次で公開されています: https://github.com/SvStraten/CNAPwP.
カメレオンは忘れない：プロンプトベースの次アクティビティ予測のためのオンライン継続学習
arXiv cs.LG / 2026/4/2
📰 ニュースSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は予測プロセス・マイニング（PPM）、とりわけ次アクティビティ予測を対象とする。動的環境や概念ドリフトにより、従来の静的な学習設定では致命的な忘却が生じうる。
- 著者らは、継続学習のDualPrompt手法を適応し、忘却を抑えつつ精度と適応性を維持するための CNAPwP（Continual Next Activity Prediction with Prompts：プロンプトを用いた継続的な次アクティビティ予測）を提案する。
- 著者らは、繰り返し発生する概念ドリフトを特徴とするデータセットの作成または導入を行い、同一のタスク概念が初期に現れたときと後の再出現時での精度ギャップを定量化する、タスク固有の忘却指標を提案する。
- 3つの合成データセットと2つの実データセットにおける、繰り返しドリフト設定での実験の結果、CNAPwPは5つのベースライン手法に対して最先端または競争的な性能を達成する。
- オープンソースの実装に加え、データセットおよび結果も公開されており、研究コミュニティによる再利用やさらなる評価を支援する。
