Dongseok Seo Publishes in Expert Systems with Applications(서동석 석사과정, Expert Systems with Applications 논문 게재)
“Multi-Task Learning for Predictive Process Monitoring with Temporal Graph Neural Networks on Object-Centric Event Logs,” by Dongseok Seo (M.S. student) and Prof. Minseok Song, has been published in Expert Systems with Applications.
The paper turns object-centric event logs (OCEL) into temporal graphs with time-aware edges and encodes continuous time intervals directly into the attention mechanism of a Temporal Graph Attention Network (TGAT), capturing the temporal irregularities that sequence-based models tend to miss. A single shared temporal graph encoder is optimised jointly for three tasks: next activity prediction, next timestamp estimation, and remaining time prediction.
Across four real-world BPI Challenge logs (2014, 2016, 2017 and 2019), the framework matches or outperforms state-of-the-art sequence-based, graph-based and Transformer architectures, and attention visualisations together with ablation studies confirm the benefit of combining temporal graph modelling with multi-task learning.
한글 요약
서동석 석사과정, Expert Systems with Applications 논문 게재
본 연구실 서동석 석사과정과 송민석 교수님의 논문 「Multi-Task Learning for Predictive Process Monitoring with Temporal Graph Neural Networks on Object-Centric Event Logs」가 Expert Systems with Applications에 게재되었습니다.
이 연구는 객체 중심 이벤트 로그(OCEL)를 시간 정보가 반영된 간선을 갖는 시간 그래프로 변환하고, Temporal Graph Attention Network(TGAT)의 어텐션 연산에 연속적인 시간 간격을 직접 인코딩하여 기존 시퀀스 기반 모형이 놓치던 불규칙한 시간 패턴을 포착합니다. 하나의 공유 인코더로 다음 활동 예측, 다음 이벤트 시점 예측, 잔여 수행시간 예측 세 과제를 함께 학습하는 다중 과제 학습 구조를 제안하였습니다.
BPI Challenge 2014·2016·2017·2019 네 개의 실제 이벤트 로그를 이용한 실험에서 제안 기법은 최신 시퀀스 기반·그래프 기반·트랜스포머 모형과 같거나 더 나은 예측 성능을 보였으며, 어텐션 시각화와 소거 실험을 통해 시간 그래프 모델링과 다중 과제 학습의 결합 효과를 확인하였습니다.