論文の概要: Detecting sudden and gradual drifts in business processes from execution
traces
- arxiv url: http://arxiv.org/abs/2005.04016v1
- Date: Thu, 7 May 2020 16:22:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-05 23:35:01.195616
- Title: Detecting sudden and gradual drifts in business processes from execution
traces
- Title(参考訳): 実行トレースによるビジネスプロセスの突然および漸進的ドリフトの検出
- Authors: Abderrahmane Maaradji, Marlon Dumas, Marcello La Rosa, and Alireza
Ostovar
- Abstract要約: ビジネスプロセスのドリフト検出(Business Process drift detection)は、ビジネスプロセスの変化を検出するメソッドのファミリーを指す。
本稿では,突発的および漸進的なビジネスプロセスのドリフトを検出するための,自動的,統計的に基礎づけた手法を提案する。
- 参考スコア(独自算出の注目度): 0.5424799109837066
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Business processes are prone to unexpected changes, as process workers may
suddenly or gradually start executing a process differently in order to adjust
to changes in workload, season, or other external factors. Early detection of
business process changes enables managers to identify and act upon changes that
may otherwise affect process performance. Business process drift detection
refers to a family of methods to detect changes in a business process by
analyzing event logs extracted from the systems that support the execution of
the process. Existing methods for business process drift detection are based on
an explorative analysis of a potentially large feature space and in some cases
they require users to manually identify specific features that characterize the
drift. Depending on the explored feature space, these methods miss various
types of changes. Moreover, they are either designed to detect sudden drifts or
gradual drifts but not both. This paper proposes an automated and statistically
grounded method for detecting sudden and gradual business process drifts under
a unified framework. An empirical evaluation shows that the method detects
typical change patterns with significantly higher accuracy and lower detection
delay than existing methods, while accurately distinguishing between sudden and
gradual drifts.
- Abstract(参考訳): ビジネスプロセスは予期せぬ変更をしがちで、プロセスワーカーは、ワークロードや季節、その他の外部要因の変化を調整するために、突然、あるいは徐々にプロセスを実行し始めます。
ビジネスプロセスの変更を早期に検出することで、マネージャはプロセスパフォーマンスに影響を及ぼす可能性のある変更を特定し、行動することができる。
ビジネスプロセスドリフト検出(Business Process drift detection)は、プロセスの実行をサポートするシステムから抽出されたイベントログを分析して、ビジネスプロセスの変化を検出する一連の方法である。
既存のプロセスドリフト検出方法は、潜在的に大きな特徴空間の爆発的解析に基づいており、場合によっては、ユーザがドリフトを特徴付ける特定の特徴を手動で識別する必要がある。
探索された機能空間によって、これらのメソッドは様々なタイプの変更を見逃す。
さらに、突然の漂流や徐々に漂流を検出するように設計されているが、両方ではない。
本稿では,一元的な枠組みの下で,突然かつ漸進的なビジネスプロセスドリフトを自動的かつ統計的に検出する手法を提案する。
実験により,本手法は従来手法よりも精度が高く,検出遅延の少ない典型的変化パターンを検出するとともに,突然のドリフトと漸進的なドリフトを正確に区別することを示した。
関連論文リスト
- TI-PREGO: Chain of Thought and In-Context Learning for Online Mistake Detection in PRocedural EGOcentric Videos [48.126793563151715]
オンラインのオープンセットの手続きミスを効果的に検出する技術はない。
1つのブランチは、入力されたエゴセントリックビデオからステップ認識を連続的に行う。
もう1つは、認識モジュールの出力に基づいて将来のステップを予測します。
論文 参考訳(メタデータ) (2024-11-04T20:03:06Z) - Process Variant Analysis Across Continuous Features: A Novel Framework [0.0]
本研究は, 業務プロセスにおけるケースの効果的セグメンテーションの課題に対処する。
本研究では,スライディングウインドウ手法と地球移動器の距離を併用して制御流の挙動変化を検出する手法を提案する。
オランダの保険会社UWVと共同で実生活事例研究を行い,その方法論を検証した。
論文 参考訳(メタデータ) (2024-05-06T16:10:13Z) - Detecting Anomalous Events in Object-centric Business Processes via
Graph Neural Networks [55.583478485027]
本研究では,ビジネスプロセスにおける異常検出のための新しいフレームワークを提案する。
まず、属性グラフとしてオブジェクト中心のイベントログのプロセス依存性を再構築する。
次に、異常事象を検出するために、グラフ畳み込みオートエンコーダアーキテクチャを用いる。
論文 参考訳(メタデータ) (2024-02-14T14:17:56Z) - Detecting Surprising Situations in Event Data [0.45119235878273]
既存の研究では、望ましくない結果が発生する問題のあるプロセスインスタンスの集合が事前に知られており、容易に検出できると仮定される。
我々は,プロセス拡張領域を文脈に敏感な異常/異常検出問題として定式化する。
プロセスのパフォーマンス/アウトカムが期待と大きく異なる状況の特徴付けを目指しています。
論文 参考訳(メタデータ) (2022-08-29T11:33:58Z) - A Monitoring and Discovery Approach for Declarative Processes Based on
Streams [0.0]
本稿では,イベントストリームから宣言的過程を動的条件応答(DCR)グラフとして抽出する発見アルゴリズムを提案する。
ストリームはプロセスの時間的表現を生成するために監視され、後に宣言的モデルを生成するために処理される。
論文 参考訳(メタデータ) (2022-08-10T14:25:35Z) - Gradual Drift Detection in Process Models Using Conformance Metrics [0.0]
段階的ドリフトの自動検出に焦点をあてる。これは特別なタイプの変化であり、2つのモデルの場合が一定期間重複する。
提案アルゴリズムは、変更の自動検出を行うための適合性チェックメトリクスに依存し、これらの変更を突然または段階的に完全に自動分類する。
このアプローチは、変更の分布が異なる120のログからなる合成データセットで検証され、検出と分類精度、遅延と変更領域のオーバーラップに関して、主要な最先端アルゴリズムよりも優れた結果が得られる。
論文 参考訳(メタデータ) (2022-07-22T10:56:35Z) - Inverse Online Learning: Understanding Non-Stationary and Reactionary
Policies [79.60322329952453]
エージェントが意思決定を行う方法の解釈可能な表現を開発する方法を示す。
一連の軌跡に基づく意思決定プロセスを理解することにより,このオンライン学習問題に対して,政策推論問題を逆問題とみなした。
本稿では、エージェントがそれらを更新するプロセスと並行して、その影響を遡及的に推定する実用的なアルゴリズムを提案する。
UNOSの臓器提供受諾決定の分析に応用することで、我々のアプローチは意思決定プロセスを管理する要因や時間とともにどのように変化するかに、貴重な洞察をもたらすことができることを実証する。
論文 参考訳(メタデータ) (2022-03-14T17:40:42Z) - Prescriptive Process Monitoring: Quo Vadis? [64.39761523935613]
本論文はシステム文献レビュー(SLR)を通して,本分野における既存手法について考察する。
SLRは今後の研究の課題や分野に関する洞察を提供し、規範的なプロセス監視手法の有用性と適用性を高めることができる。
論文 参考訳(メタデータ) (2021-12-03T08:06:24Z) - Tracking the risk of a deployed model and detecting harmful distribution
shifts [105.27463615756733]
実際には、デプロイされたモデルのパフォーマンスが大幅に低下しないという、良心的なシフトを無視することは理にかなっている。
我々は,警告を発射する有効な方法は,(a)良性な警告を無視しながら有害なシフトを検知し,(b)誤報率を増大させることなく,モデル性能の連続的なモニタリングを可能にすることを論じる。
論文 参考訳(メタデータ) (2021-10-12T17:21:41Z) - Change Point Detection in Time Series Data using Autoencoders with a
Time-Invariant Representation [69.34035527763916]
変化点検出(CPD)は、時系列データにおける急激な特性変化を見つけることを目的としている。
近年のCDD法は、深層学習技術を用いる可能性を示したが、信号の自己相関統計学におけるより微妙な変化を識別する能力に欠けることが多い。
我々は、新しい損失関数を持つオートエンコーダに基づく手法を用い、使用済みオートエンコーダは、CDDに適した部分的な時間不変表現を学習する。
論文 参考訳(メタデータ) (2020-08-21T15:03:21Z) - Adversarial System Variant Approximation to Quantify Process Model
Generalization [2.538209532048867]
プロセスマイニングでは、プロセスモデルはイベントログから抽出され、複数の品質次元を用いて一般的に評価される。
この問題を解決するために,Adversarial System Variant Approximation (AVATAR)と呼ばれる新しいディープラーニングベースの手法が提案されている。
論文 参考訳(メタデータ) (2020-03-26T22:06:18Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。