論文の概要: Process Mining Meets Causal Machine Learning: Discovering Causal Rules from Event Logs

• arxiv url: http://arxiv.org/abs/2009.01561v1
• Date: Thu, 3 Sep 2020 10:10:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-22 07:08:50.625700
• Title: Process Mining Meets Causal Machine Learning: Discovering Causal Rules from Event Logs
• Title（参考訳）: プロセスマイニングと因果機械学習 - イベントログから因果ルールを発見する
• Authors: Zahra Dasht Bozorgi, Irene Teinemaa, Marlon Dumas, Marcello La Rosa, Artem Polyvyanyy
• Abstract要約: 我々はアクションルールマイニング手法を用いて、ある条件下での結果と共起する治療を識別する。 次に、因果的機械学習技術、特に隆起木を用いて、治療が結果に因果的影響を及ぼす症例のサブグループを発見する。
• 参考スコア（独自算出の注目度）: 0.8924669503280334
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes an approach to analyze an event log of a business process in order to generate case-level recommendations of treatments that maximize the probability of a given outcome. Users classify the attributes in the event log into controllable and non-controllable, where the former correspond to attributes that can be altered during an execution of the process (the possible treatments). We use an action rule mining technique to identify treatments that co-occur with the outcome under some conditions. Since action rules are generated based on correlation rather than causation, we then use a causal machine learning technique, specifically uplift trees, to discover subgroups of cases for which a treatment has a high causal effect on the outcome after adjusting for confounding variables. We test the relevance of this approach using an event log of a loan application process and compare our findings with recommendations manually produced by process mining experts.
• Abstract（参考訳）: 本稿では、ビジネスプロセスのイベントログを分析して、与えられた結果の確率を最大化する治療のケースレベルレコメンデーションを生成するアプローチを提案する。 ユーザはイベントログの属性をコントロール可能かつ非制御可能に分類し、前者はプロセスの実行中に変更可能な属性(可能な処理)に対応する。 我々は,行動ルールマイニング手法を用いて,ある条件下での結果に共起する治療法を同定する。 作用規則は因果関係ではなく相関関係に基づいて生成されるので,特に隆起木を用いた因果学習手法を用いて,共起変数の調整後の結果に高い因果関係を持つ症例のサブグループを発見する。 我々は,ローン申請プロセスのイベントログを用いて,このアプローチの妥当性を検証し,プロセスマイニングの専門家が手作業で作成した推奨事項と比較する。

関連論文リスト

• 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)
• Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
  根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。 ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。 また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
  論文  参考訳（メタデータ） (2024-02-04T05:50:38Z)
• Data is Moody: Discovering Data Modification Rules from Process Event Logs [31.187669045960085]
  本稿では, 正確で簡潔なif-thenが, プロセスのデータの修正方法を規定するアルゴリズムを提案する。 Moodyは、コンパクトで解釈可能なルールを見つけ、正確な発見のためのデータはほとんど必要とせず、ノイズに対して堅牢である。
  論文  参考訳（メタデータ） (2023-12-22T10:00:50Z)
• The WHY in Business Processes: Discovery of Causal Execution Dependencies [2.0811729303868005]
  プロセスアクティビティの実行間の因果関係を明らかにすることは、プロセス介入の結果を予測する重要な要素である。 この研究は、既存の因果発見アルゴリズムを活動タイミングよりも活用することにより、因果ビジネスプロセスの公開に対する体系的なアプローチを提供する。 本手法は,3つの因果パターンの文脈における2つのモデル間の相違を探索し,これらの不整合がマイニングプロセスモデル上で注釈付けされるという新たな視点を導出する。
  論文  参考訳（メタデータ） (2023-10-23T14:23:15Z)
• 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)
• Chain of Thought Imitation with Procedure Cloning [129.62135987416164]
  本稿では,一連の専門家計算を模倣するために,教師付きシーケンス予測を適用したプロシージャクローニングを提案する。 本研究では、専門家の行動の中間計算を模倣することで、プロシージャのクローン化により、未知の環境構成に顕著な一般化を示すポリシーを学習できることを示す。
  論文  参考訳（メタデータ） (2022-05-22T13:14:09Z)
• Exploring Business Process Deviance with Sequential and Declarative Patterns [3.039637436705478]
  分散マイニングは、ビジネスプロセスの実行をサポートするシステムによって格納されたイベントログを分析して、デファイナント実行の理由を明らかにすることに関心がある。 ビジネスプロセスにおける逸脱を説明する問題は、まず、逐次的および宣言的パターンに基づいた特徴を用いて検討する。 それらの説明は、ルール誘導のための直接的および間接的な方法によって抽出される。
  論文  参考訳（メタデータ） (2021-11-24T12:16:07Z)
• Feature Recommendation for Structural Equation Model Discovery in Process Mining [0.0]
  本稿では,問題に影響を及ぼす可能性のある(集約された)特徴の集合を見つける方法を提案する。 提案手法をProMのプラグインとして実装し、2つの実・合成イベントログを用いて評価した。
  論文  参考訳（メタデータ） (2021-08-13T12:23:01Z)
• CoCoMoT: Conformance Checking of Multi-Perspective Processes via SMT (Extended Version) [62.96267257163426]
  我々はCoCoMoT(Computing Conformance Modulo Theories)フレームワークを紹介する。 まず、純粋な制御フロー設定で研究したSATベースのエンコーディングを、データ認識ケースに持ち上げる方法を示す。 次に,プロパティ保存型クラスタリングの概念に基づく新しい前処理手法を提案する。
  論文  参考訳（メタデータ） (2021-03-18T20:22:50Z)
• Case Level Counterfactual Reasoning in Process Mining [0.0]
  我々は, emphcounterfactual equation model と emphcounterfactual reasoning の使用を提唱する。 ProMプラグインは、パフォーマンスやコンプライアンスの問題を避けるために、特定のケースがどのように異なる方法で処理されたかを示す推奨事項を生成します。
  論文  参考訳（メタデータ） (2021-02-25T09:52:18Z)
• Process Discovery for Structured Program Synthesis [70.29027202357385]
  プロセスマイニングにおける中核的なタスクは、イベントログデータから正確なプロセスモデルを学ぶことを目的としたプロセス発見である。 本稿では,ターゲットプロセスモデルとして(ブロック-)構造化プログラムを直接使用することを提案する。 我々は,このような構造化プログラムプロセスモデルの発見に対して,新たなボトムアップ・アグリメティブ・アプローチを開発する。
  論文  参考訳（メタデータ） (2020-08-13T10:33:10Z)

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。