論文の概要: Learning Accurate Business Process Simulation Models from Event Logs via Automated Process Discovery and Deep Learning

• arxiv url: http://arxiv.org/abs/2103.11944v1
• Date: Mon, 22 Mar 2021 15:34:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-23 14:20:44.510488
• Title: Learning Accurate Business Process Simulation Models from Event Logs via Automated Process Discovery and Deep Learning
• Title（参考訳）: 自動プロセス発見とディープラーニングによるイベントログからの正確なビジネスプロセスシミュレーションモデルの学習
• Authors: Manuel Camargo, Marlon Dumas, Oscar Gonz\'alez-Rojas
• Abstract要約: データ駆動シミュレーション(DDS)メソッドは、イベントログからプロセスシミュレーションモデルを学ぶ。 ディープラーニング(DL)モデルは、このような時間的ダイナミクスを正確に捉えることができる。 本稿では,イベントログからプロセスシミュレーションモデルを学ぶためのハイブリッド手法を提案する。
• 参考スコア（独自算出の注目度）: 0.8164433158925593
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Business process simulation is a well-known approach to estimate the impact of changes to a process with respect to time and cost measures -- a practice known as what-if process analysis. The usefulness of such estimations hinges on the accuracy of the underlying simulation model. Data-Driven Simulation (DDS) methods combine automated process discovery and enhancement techniques to learn process simulation models from event logs. Empirical studies have shown that, while DDS models adequately capture the observed sequences of activities and their frequencies, they fail to capture the temporal dynamics of real-life processes. In contrast, parallel work has shown that generative Deep Learning (DL) models are able to accurately capture such temporal dynamics. The drawback of these latter models is that users cannot alter them for what-if analysis due to their black-box nature. This paper presents a hybrid approach to learn process simulation models from event logs wherein a (stochastic) process model is extracted from a log using automated process discovery and enhancement techniques, and this model is then combined with a DL model to generate timestamped event sequences (traces). An experimental evaluation shows that the resulting hybrid simulation models match the temporal accuracy of pure DL models, while retaining the what-if analysis capability of DDS approaches.
• Abstract（参考訳）: ビジネスプロセスシミュレーション(business process simulation)は、プロセスに対する変更の影響を時間とコストの尺度(what-if process analysis)で見積もる、よく知られた手法です。 このような推定の有用性は、基礎となるシミュレーションモデルの精度にかかっている。 データ駆動シミュレーション(DDS)手法は、自動プロセス発見と拡張技術を組み合わせて、イベントログからプロセスシミュレーションモデルを学ぶ。 実証的な研究により、DDSモデルは観測された活動のシーケンスとその周波数を適切に捉えるが、実際のプロセスの時間的ダイナミクスを捉えることができないことが示されている。 対照的に、並列的な研究は、生成的ディープラーニング(DL)モデルがそのような時間的ダイナミクスを正確に捉えることができることを示した。 後者のモデルの欠点は、ユーザーはブラックボックスの性質のため、何の分析のために変更できないことである。 本稿では、自動プロセス発見・拡張技術を用いてログから(確率的な)プロセスモデルを抽出したイベントログからプロセスシミュレーションモデルを学習するためのハイブリッドアプローチを提案し、そのモデルをDLモデルと組み合わせて、タイムスタンプ付きイベントシーケンス(トレース)を生成する。 実験により, 得られたハイブリッドシミュレーションモデルが純粋なDLモデルの時間的精度と一致し, DDS手法の質的解析能力を維持した。

関連論文リスト

• Improved Long Short-Term Memory-based Wastewater Treatment Simulators for Deep Reinforcement Learning [0.0]
  排水処理データのトレーニングモデルを改善するための2つの手法を実装した。 実験結果から, これらの手法を用いることで, シミュレーションの動作を1年を通して動的時間ワープで改善できることがわかった。
  論文  参考訳（メタデータ） (2024-03-22T10:20:09Z)
• Learning to Simulate: Generative Metamodeling via Quantile Regression [2.2518304637809714]
  我々は「シミュレーターの高速シミュレータ」を構築することを目的とした、生成メタモデリングと呼ばれる新しいメタモデリング概念を提案する。 一度構築すると、生成メタモデルは入力が特定されるとすぐに大量のランダム出力を生成することができる。 本稿では,QRGMM(quantile-regression-based generative metamodeling)という新しいアルゴリズムを提案し,その収束率と収束率について検討する。
  論文  参考訳（メタデータ） (2023-11-29T16:46:24Z)
• Learning continuous models for continuous physics [94.42705784823997]
  本研究では,科学技術応用のための機械学習モデルを検証する数値解析理論に基づくテストを開発する。 本研究は,従来のMLトレーニング/テスト手法と一体化して,科学・工学分野におけるモデルの検証を行う方法である。
  論文  参考訳（メタデータ） (2022-02-17T07:56:46Z)
• DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG Signals [62.997667081978825]
  我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。 我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。 標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
  論文  参考訳（メタデータ） (2021-12-08T13:07:21Z)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)
• Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening Simulations [58.720142291102135]
  動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。 本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
  論文  参考訳（メタデータ） (2021-04-28T22:14:25Z)
• Discovering Generative Models from Event Logs: Data-driven Simulation vs Deep Learning [0.6338178373376447]
  生成モデルは、以前に観測されたデータから新しいデータインスタンスを生成することができる統計モデルである。 本稿では,データ駆動型シミュレーション手法と複数の深層学習手法を実証的に比較し,タイムスタンプ付きイベントによる実行トレースの生成が可能なモデルを構築した。
  論文  参考訳（メタデータ） (2020-09-08T08:04:06Z)
• Using Machine Learning to Emulate Agent-Based Simulations [0.0]
  エージェントベースモデル(ABM)解析に用いる統計エミュレータとして,複数の機械学習手法の性能評価を行った。 エージェントベースのモデリングは、モデルに対するより堅牢な感度解析を容易にするため、エミュレーションに機械学習を用いる利点がある。
  論文  参考訳（メタデータ） (2020-05-05T11:48:36Z)
• Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
  我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。 このようなモデルをリアルタイム診断に利用しています。
  論文  参考訳（メタデータ） (2020-03-04T00:44:57Z)

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。