深度学习推动了过程分析的许多最新进展，尤其是在预测和处方监控方面。然而，标准目标如交叉熵仅优化局部下一个步骤的可能性，并且仅隐式地捕获控制流结构。这导致模型在实现高标记级别准确性的同时，可能允许不精确的全局行为。
我们引入了 DIFF-ERO，这是一种针对过程数据的深度学习模型的一致性感知损失函数。DIFF-ERO 是一种可微分的基于熵的随机一致性公式，在训练过程中结合了控制流信息。我们的方法构建了具有软边缘成员资格的批级随机转移矩阵，使结构精度和召回信号能够直接影响反向传播。该损失函数是模型无关的，可以在最终表示参数化随机转移时应用。
我们在变换器编码器-解码器管道中实例化了 DIFF-ERO，用于下一个活动的预测，并将其与交叉熵联合使用，以分析其理论组成与收敛性的关系。在与其他损失函数和目标的基准比较中，DIFF-ERO 在结构重要的地方表现出更好的预测性能，同时在其他地方保持相同的水平。同时，学习到的随机自动机向结构真值收敛，表明网络内化了过程模型结构。
博主点评： DIFF-ERO 损失函数的提出为过程挖掘中的深度学习模型提供了更高的结构一致性，尤其在需要精确控制流的应用场景中，展现出显著的优势。其模型无关性也为广泛应用奠定了基础，未来有望在更多领域得到推广。