이벤트 로그 예측: 단순 에이전트 앙상블로 성능과 효율 모두 잡기

요약

본 논문은 스트리밍 이벤트 로그에서 다음 활동(next-activity)을 예측하는 모델의 효율성과 정확도를 비교합니다. 기존 연구들이 복잡한 신경망(LSTM, Transformer)에 의존했던 것과 달리, 저가형 오토마타 기반 n-gram 모델이 적절한 컨텍스트 창을 사용할 경우 유사한 수준의 정확도를 달성하면서도 훨씬 낮은 자원을 요구함을 입증했습니다. 특히, 기존 앙상블 기법(예: 투표 방식)은 추론 시 다수의 에이전트를 병렬로 실행해야 하므로 메모리 사용량과 지연 시간(latency) 증가라는 단점이 있습니다. 이에 저자들은

핵심 포인트

• n-gram 모델은 적절한 컨텍스트 창을 통해 신경망 모델에 필적하는 정확도를 보여주며, 자원 소모가 현저히 낮습니다.
• 기존의 투표 기반 앙상블 방식은 추론 시 다수의 에이전트를 병렬로 실행해야 하여 메모리 및 지연 시간 오버헤드가 높습니다.
• 제안된 'promotion 알고리즘'은 두 개의 활성 모델 사이를 동적으로 선택함으로써, 기존 앙상블 기법 대비 낮은 계산 비용으로 높은 성능을 유지합니다.