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
- 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) - Understanding the Impact of Competing Events on Heterogeneous Treatment
Effect Estimation from Time-to-Event Data [92.51773744318119]
本研究では,競合イベントの存在下での時間-時間データからヘテロジニアス処理効果(HTE)を推定する問題について検討する。
提案手法は,HTEを推定するための結果モデリング手法であり,既存の時間-時間データの予測モデルを,将来的な結果のプラグイン推定手段としてどのように利用できるかを検討する。
HTEの推定に汎用的な機械学習予測モデルを使用する場合、これらの課題がいつどのように機能するかを理論的に分析し、実証的に説明する。
論文 参考訳(メタデータ) (2023-02-23T14:28:55Z) - 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) - You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory
Prediction [52.442129609979794]
軌道予測のための最近の深層学習手法は有望な性能を示す。
そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。
本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
論文 参考訳(メタデータ) (2021-10-11T14:24:15Z) - 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) - Video Prediction via Example Guidance [156.08546987158616]
ビデオ予測タスクでは、将来のコンテンツとダイナミクスのマルチモーダルな性質を捉えることが大きな課題である。
本研究では,有効な将来状態の予測を効果的に行うための,シンプルで効果的なフレームワークを提案する。
論文 参考訳(メタデータ) (2020-07-03T14:57:24Z) - 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。