arXiv cs.AI· Geri Skenderi·· 12 小时前AI 评分20
通过有向游走与关联矩阵扩散在 Petri 网上实现结构感知消息传递
Structure-Aware Message Passing on Petri Nets through Directed Walks and Incidence Diffusion
AI 导读
研究提出 PNRWPE 与 DA-PNGNN 两种方法，将 Petri 网中的有向环和关联矩阵不变量显式暴露给消息传递图神经网络。在预测 96 个 Process Discovery Contest 2023 模型生成因子的任务上，宏平均平衡准确率从 0.751 提升至 0.796（PNRWPE），DA-PNGNN 进一步达到 0.830，并在过程环上近乎翻倍。
正文 · AI 翻译
摘要：过程挖掘学科的一个常见应用是将观测到的事件数据与 Petri 网关联起来，Petri 网是二分、有向的图形化过程模型，具有丰富的形式化基础。近期的工作学习 Petri 网的向量表示，以检索过程模型并将其与事件日志关联，但隐含了网络结构中隐藏的两个关键方面：有向环（过程循环）和由网络的关联矩阵记录的不变量。我们通过基于有向库所-变迁游走返回概率构建的位置编码（PNRWPE），以及通过由关联矩阵的扩散核门控的同类型消息（DA-PNGNN），将这两者都暴露给消息传递图神经网络。我们的构造将预测 96 个 Process Discovery Contest 2023 模型生成因子的宏平衡准确率从 0.751 提升至 0.796（使用 PNRWPE），这在过程循环上的准确率几乎翻倍；并提升至 0.830（使用 DA-PNGNN），后者在无需重新调参的情况下，还将自监督 ProcRosetta 基准上的网到树检索 top-1 准确率提高了 4.1 至 5.9 个百分点。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.29725 [cs.LG] |
| （或 arXiv:2610.29725v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.29725 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Geri Skenderi [查看邮箱]
[v1]
2026 年 10 月 21 日星期三 13:31:05 UTC（301 KB）
来源：arXiv cs.AI · arxiv.org