論文の概要: Using Meta-learning to Recommend Process Discovery Methods

• arxiv url: http://arxiv.org/abs/2103.12874v1
• Date: Tue, 23 Mar 2021 22:40:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-25 23:12:21.423057
• Title: Using Meta-learning to Recommend Process Discovery Methods
• Title（参考訳）: メタラーニングによるプロセス発見手法の提案
• Authors: Sylvio Barbon Jr, Paolo Ceravolo, Ernesto Damiani, Gabriel Marques Tavares
• Abstract要約: 本論文では, 補間寸法に応じたモデル品質を最大化するプロセス発見手法を提案する。 MtLパイプラインのおかげで、イベントログを記述する軽量機能を使用して、92%の精度の発見方法を推奨することができました。
• 参考スコア（独自算出の注目度）: 5.210689364246218
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Process discovery methods have obtained remarkable achievements in Process Mining, delivering comprehensible process models to enhance management capabilities. However, selecting the suitable method for a specific event log highly relies on human expertise, hindering its broad application. Solutions based on Meta-learning (MtL) have been promising for creating systems with reduced human assistance. This paper presents a MtL solution for recommending process discovery methods that maximize model quality according to complementary dimensions. Thanks to our MtL pipeline, it was possible to recommend a discovery method with 92% of accuracy using light-weight features that describe the event log. Our experimental analysis also provided significant insights on the importance of log features in generating recommendations, paving the way to a deeper understanding of the discovery algorithms.
• Abstract（参考訳）: プロセス発見手法はプロセスマイニングにおいて顕著な成果を上げ、管理能力を高めるために理解可能なプロセスモデルを提供する。 しかし、特定のイベントログに適した方法の選択は、人間の専門知識に大きく依存し、幅広い応用を妨げる。 メタラーニング(mtl)に基づくソリューションは、人的支援を減らすシステムの構築に有望である。 本論文では,モデル品質を相補次元に応じて最大化するプロセス発見手法を提案する。 mtlパイプラインのおかげで、イベントログを記述する軽量機能を使用して、92%の精度で発見方法を推奨することができた。 我々の実験分析は、発見アルゴリズムをより深く理解するために、レコメンデーションの生成におけるログ機能の重要性に関する重要な洞察も提供した。

関連論文リスト

• EVOLvE: Evaluating and Optimizing LLMs For Exploration [76.66831821738927]
  大規模言語モデル(LLM)は、不確実性の下で最適な意思決定を必要とするシナリオにおいて、未調査のままである。 多くのアプリケーションに関係のあるステートレス強化学習環境である,帯域幅を最適に決定できる LLM の (in) 能力の測定を行う。 最適な探索アルゴリズムの存在を動機として,このアルゴリズム知識をLLMに統合する効率的な方法を提案する。
  論文  参考訳（メタデータ） (2024-10-08T17:54:03Z)
• Navigating Process Mining: A Case study using pm4py [0.0]
  本稿では,Python の pm4py ライブラリを用いた道路交通管理プロセスの包括的解析を行う。 フィルタリングと統計的解析により、プロセスの実行における重要なパターンとバリエーションを明らかにする。 発見されたモデルを視覚化して、プロセス内のワークフロー構造と依存関係を理解します。
  論文  参考訳（メタデータ） (2024-09-17T15:48:46Z)
• Model-Free Active Exploration in Reinforcement Learning [53.786439742572995]
  強化学習における探索問題について検討し,新しいモデルフリーソリューションを提案する。 我々の戦略は、最先端の探査アプローチよりも高速に効率的な政策を特定できる。
  論文  参考訳（メタデータ） (2024-06-30T19:00:49Z)
• Let's reward step by step: Step-Level reward model as the Navigators for Reasoning [64.27898739929734]
  Process-Supervised Reward Model (PRM)は、トレーニングフェーズ中にステップバイステップのフィードバックをLLMに提供する。 LLMの探索経路を最適化するために,PRMからのステップレベルのフィードバックを応用した欲求探索アルゴリズムを提案する。 提案手法の汎用性を探るため,コーディングタスクのステップレベル報酬データセットを自動生成する手法を開発し,コード生成タスクにおける同様の性能向上を観察する。
  論文  参考訳（メタデータ） (2023-10-16T05:21:50Z)
• Representation Learning in Low-rank Slate-based Recommender Systems [9.550552949693566]
  低ランクマルコフ決定プロセス(MDP)を用いたオンラインRL問題として扱うために,標準スレートレコメンデーション設定を用いたサンプル効率表現学習アルゴリズムを提案する。 また,提案手法を用いて,提案手法を用いて推薦者シミュレーション環境を構築する。
  論文  参考訳（メタデータ） (2023-09-10T21:40:51Z)
• Maximize to Explore: One Objective Function Fusing Estimation, Planning, and Exploration [87.53543137162488]
  我々はtextttMEX というオンライン強化学習(オンラインRL)フレームワークを提案する。 textttMEXは、自動的に探索エクスプロイトのバランスをとりながら、見積もりと計画コンポーネントを統合する。 様々な MuJoCo 環境では,ベースラインを安定的なマージンで上回り,十分な報酬を得られる。
  論文  参考訳（メタデータ） (2023-05-29T17:25:26Z)
• STEERING: Stein Information Directed Exploration for Model-Based Reinforcement Learning [111.75423966239092]
  遷移モデルの現在の推定値と未知の最適値との間の積分確率距離(IPM)の観点から探索インセンティブを提案する。 KSDに基づく新しいアルゴリズムを開発した。 textbfSTEin information dirtextbfEcted Explor for model-based textbfReinforcement Learntextbfing。
  論文  参考訳（メタデータ） (2023-01-28T00:49:28Z)
• Automatic Discovery of Multi-perspective Process Model using Reinforcement Learning [7.5989847759545155]
  深層Q-Learningに基づく多視点プロセスモデルの自動発見フレームワークを提案する。 我々のDual Experience Replay with Experience Distribution(DERED)アプローチは、プロセスモデル発見ステップ、適合チェックステップ、拡張ステップを自動的に実行できます。 ポートロジスティクス、鉄鋼製造、金融、IT、政府管理で収集された6つの実世界のイベントデータセットを用いて、我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2022-11-30T02:18:29Z)
• MUC-driven Feature Importance Measurement and Adversarial Analysis for Random Forest [1.5896078006029473]
  我々は形式的手法と論理的推論を活用して、ランダムフォレスト(RF)の予測を説明する新しいモデル固有の方法を開発した。 提案手法は, 最小不飽和コア(MUC)を中心に, 特徴重要度, 局所的・グローバル的側面, および対向的サンプル分析に関する包括的ソリューションを提供する。 提案手法はユーザ中心のレポートを作成でき,リアルタイムアプリケーションにレコメンデーションを提供するのに役立つ。
  論文  参考訳（メタデータ） (2022-02-25T06:15:47Z)
• 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)
• AI-based Modeling and Data-driven Evaluation for Smart Manufacturing Processes [56.65379135797867]
  本稿では,半導体製造プロセスに関する有用な知見を得るための動的アルゴリズムを提案する。 本稿では,遺伝的アルゴリズムとニューラルネットワークを利用して,知的特徴選択アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-08-29T14:57:53Z)

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。