論文の概要: Cause vs. Effect in Context-Sensitive Prediction of Business Process Instances

• arxiv url: http://arxiv.org/abs/2007.07549v2
• Date: Mon, 21 Sep 2020 10:17:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-10 05:45:18.236073
• Title: Cause vs. Effect in Context-Sensitive Prediction of Business Process Instances
• Title（参考訳）: ビジネスプロセスインスタンスの文脈感的予測における因果対効果
• Authors: Jens Brunk, Matthias Stierle, Leon Papke, Kate Revoredo, Martin Matzner, J\"org Becker
• Abstract要約: 本稿では、次の事象の原因または影響のコンテキストの問題と、次の事象の予測への影響について論じる。 確率モデルに関する従来の研究を活用し、動的ベイズネットワーク技術を開発した。 本稿では,本手法を2つの実生活データセットを用いて評価し,予測プロセス監視分野の他の手法とベンチマークする。
• 参考スコア（独自算出の注目度）: 0.440401067183266
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting undesirable events during the execution of a business process instance provides the process participants with an opportunity to intervene and keep the process aligned with its goals. Few approaches for tackling this challenge consider a multi-perspective view, where the flow perspective of the process is combined with its surrounding context. Given the many sources of data in today's world, context can vary widely and have various meanings. This paper addresses the issue of context being cause or effect of the next event and its impact on next event prediction. We leverage previous work on probabilistic models to develop a Dynamic Bayesian Network technique. Probabilistic models are considered comprehensible and they allow the end-user and his or her understanding of the domain to be involved in the prediction. Our technique models context attributes that have either a cause or effect relationship towards the event. We evaluate our technique with two real-life data sets and benchmark it with other techniques from the field of predictive process monitoring. The results show that our solution achieves superior prediction results if context information is correctly introduced into the model.
• Abstract（参考訳）: ビジネスプロセスインスタンスの実行中に望ましくないイベントを予測することは、プロセス参加者に介入し、プロセスをその目標に合わせる機会を提供します。 この課題に取り組むためのアプローチとして、プロセスの流れの視点と周囲のコンテキストを組み合わせるマルチパースペクティブな視点を考えるものはほとんどない。 今日の世界の多くのデータソースを考えると、コンテキストは様々であり、様々な意味を持つ。 本稿では、次の事象の原因または影響のコンテキストの問題と、次の事象の予測への影響について論じる。 確率モデルに関する従来の研究を活用し、動的ベイズネットワーク技術を開発した。 確率的モデルは理解可能であると考えられており、エンドユーザーとそのドメインに対する理解が予測に関与している。 我々の手法は、イベントに対する原因または影響関係を持つコンテキスト属性をモデル化する。 本手法を2つの実生活データセットを用いて評価し,予測プロセス監視分野の他の手法とベンチマークする。 その結果,文脈情報をモデルに正しく導入すれば,より優れた予測結果が得られることがわかった。

関連論文リスト

• Explanatory Model Monitoring to Understand the Effects of Feature Shifts on Performance [61.06245197347139]
  そこで本研究では,機能シフトによるブラックボックスモデルの振る舞いを説明する新しい手法を提案する。 本稿では,最適輸送と共有値の概念を組み合わせた提案手法について,説明的性能推定として紹介する。
  論文  参考訳（メタデータ） (2024-08-24T18:28:19Z)
• Uniting contrastive and generative learning for event sequences models [51.547576949425604]
  本研究では,2つの自己指導型学習手法 – 例えば,コントラスト学習と,潜在空間におけるマスクイベントの復元に基づく生成的アプローチ – の統合について検討する。 いくつかの公開データセットで行った実験は、シーケンス分類と次点型予測に焦点を合わせ、統合された手法が個々の手法と比較して優れた性能を達成することを示した。
  論文  参考訳（メタデータ） (2024-08-19T13:47:17Z)
• OpenEP: Open-Ended Future Event Prediction [57.63525290892786]
  我々はOpenEP(Open-Ended Future Event Prediction Task)を導入し、現実のシナリオに合わせたフレキシブルで多様な予測を生成する。 質問構築には、場所、時間、イベント開発、イベント結果、イベント影響、イベント応答など、7つの視点から質問する。 結果構築のために,結果を含む自由形式のテキストを基礎的真理として収集し,意味論的に完全かつ詳細に富んだ結果を提供する。
  論文  参考訳（メタデータ） (2024-08-13T02:35:54Z)
• Generating Feasible and Plausible Counterfactual Explanations for Outcome Prediction of Business Processes [45.502284864662585]
  データ駆動型アプローチであるREVISEDplusを導入し、妥当な対実的説明を生成する。 まず, プロセスデータの高密度領域内に存在する反ファクトデータを生成するために, 反ファクトアルゴリズムを限定する。 また、プロセスケースにおけるアクティビティ間のシーケンシャルなパターンを学習することで、妥当性を保証します。
  論文  参考訳（メタデータ） (2024-03-14T09:56:35Z)
• Towards Out-of-Distribution Sequential Event Prediction: A Causal Treatment [72.50906475214457]
  シーケンシャルなイベント予測の目標は、一連の歴史的なイベントに基づいて次のイベントを見積もることである。 実際には、次のイベント予測モデルは、一度に収集されたシーケンシャルなデータで訓練される。 文脈固有の表現を学習するための階層的な分岐構造を持つフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-24T07:54:13Z)
• CEP3: Community Event Prediction with Neural Point Process on Graph [59.434777403325604]
  グラフニューラルネットワークとマーク付き時間点プロセス(MTPP)を組み合わせた新しいモデルを提案する。 実験では,モデルの精度と訓練効率の両面から,モデルの優れた性能を実証した。
  論文  参考訳（メタデータ） (2022-05-21T15:30:25Z)
• Object-centric Process Predictive Analytics [0.5161531917413706]
  オブジェクト指向プロセスは、あるプロセスのインスタンスが独立して実行されるのではなく、同じまたは他のプロセスの他のインスタンスと相互作用するパラダイムの実装である。 本稿では,オブジェクトの相互作用に関する情報を予測分析に組み込むアプローチを提案する。
  論文  参考訳（メタデータ） (2022-03-05T18:46:10Z)
• Process Model Forecasting Using Time Series Analysis of Event Sequence Data [0.23099144596725568]
  過去のイベントデータからプロセスモデル全体を予測する手法を開発しています。 本実装は,実世界のイベントログデータに対する手法の精度を示す。
  論文  参考訳（メタデータ） (2021-05-03T18:00:27Z)
• Text-Aware Predictive Monitoring of Business Processes [0.8602553195689513]
  我々は,Long Short-Term Memory(LSTM)ニューラルネットワークと自然言語モデルに基づく,新しいテキスト認識プロセス予測モデルを開発した。 提案モデルは,次のイベントのアクティビティとタイムスタンプ,結果,実行中のプロセスインスタンスのサイクル時間を予測するために,イベントデータのカテゴリ的,数値的,テキスト的属性を考慮に入れることができる。 実験により、テキストデータを含むシミュレーションおよび実世界のイベントログにおいて、テキスト認識モデルが最先端プロセス予測手法を上回ることができることを示した。
  論文  参考訳（メタデータ） (2021-04-20T13:51:27Z)
• Counterfactual Predictions under Runtime Confounding [74.90756694584839]
  本研究は, 過去のデータからすべての関連要因を抽出した環境で, 事実予測タスクについて検討する。 本稿では,この環境下での対実予測モデル学習のための2次ロバスト手法を提案する。
  論文  参考訳（メタデータ） (2020-06-30T15:49:05Z)

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。