論文の概要: Evaluating Predictive Business Process Monitoring Approaches on Small Event Logs

• arxiv url: http://arxiv.org/abs/2104.00362v1
• Date: Thu, 1 Apr 2021 09:36:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-02 13:44:44.975502
• Title: Evaluating Predictive Business Process Monitoring Approaches on Small Event Logs
• Title（参考訳）: 小さなイベントログによるビジネスプロセス監視手法の評価
• Authors: Martin K\"appel, Stefan Jablonski, Stefan Sch\"onig
• Abstract要約: 予測的ビジネスプロセス監視は、実行中のプロセスインスタンスが実行時の完了までどのように展開されるかの予測に関係している。 提案されたアプローチのほとんどは、さまざまな機械学習(ML)技術に依存している。 本論文では,既存手法と小データセットの適合性を比較するための評価フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predictive business process monitoring is concerned with the prediction how a running process instance will unfold up to its completion at runtime. Most of the proposed approaches rely on a wide number of different machine learning (ML) techniques. In the last years numerous comparative studies, reviews, and benchmarks of such approaches where published and revealed that they can be successfully applied for different prediction targets. ML techniques require a qualitatively and quantitatively sufficient data set. However, there are many situations in business process management (BPM) where only a quantitatively insufficient data set is available. The problem of insufficient data in the context of BPM is still neglected. Hence, none of the comparative studies or benchmarks investigates the performance of predictive business process monitoring techniques in environments with small data sets. In this paper an evaluation framework for comparing existing approaches with regard to their suitability for small data sets is developed and exemplarily applied to state-of-the-art approaches in predictive business process monitoring.
• Abstract（参考訳）: 予測的なビジネスプロセス監視は、実行中のプロセスインスタンスが実行時にその完了までどのように展開されるかを予測することです。 提案されたアプローチのほとんどは、さまざまな機械学習(ML)技術に依存している。 過去数年間、これらのアプローチの比較研究、レビュー、ベンチマークが公開され、異なる予測ターゲットに対してうまく適用できることが明らかになった。 ml技術は質的かつ定量的に十分なデータセットを必要とする。 しかし、量的に不十分なデータセットしか利用できないビジネスプロセス管理(BPM)には多くの状況があります。 bpmのコンテキストにおけるデータ不足の問題は、いまだに無視されている。 したがって、比較研究やベンチマークでは、小さなデータセットを持つ環境での予測ビジネスプロセス監視技術の性能を調査していない。 本稿では,既存の手法と小規模データセットの適合性を比較するための評価フレームワークを開発し,予測的ビジネスプロセスモニタリングにおける最先端手法への適用例を示す。

関連論文リスト

• Context is Key: A Benchmark for Forecasting with Essential Textual Information [87.3175915185287]
  コンテキスト・イズ・キー (Context is Key) (CiK) は、時系列予測ベンチマークであり、様々な種類のテキストコンテキストと数値データをペアリングする。 我々は,統計モデル,時系列基礎モデル,LLMに基づく予測モデルなど,さまざまなアプローチを評価する。 実験では、文脈情報の導入の重要性を強調し、LLMに基づく予測モデルを用いた場合の驚くべき性能を示すとともに、それらの重要な欠点を明らかにした。
  論文  参考訳（メタデータ） (2024-10-24T17:56:08Z)
• Achieving Fairness in Predictive Process Analytics via Adversarial Learning [50.31323204077591]
  本稿では、デバイアスフェーズを予測ビジネスプロセス分析に組み込むことの課題に対処する。 本研究の枠組みは, 4つのケーススタディで検証し, 予測値に対する偏り変数の寄与を著しく低減することを示した。
  論文  参考訳（メタデータ） (2024-10-03T15:56:03Z)
• FRAPPE: A Group Fairness Framework for Post-Processing Everything [48.57876348370417]
  本稿では,任意の正規化インプロセッシング手法をポストプロセッシング手法に変換するフレームワークを提案する。 理論的および実験を通して、我々のフレームワークは、内部処理で達成された優れた公正なエラートレードオフを保っていることを示す。
  論文  参考訳（メタデータ） (2023-12-05T09:09:21Z)
• Performance-Preserving Event Log Sampling for Predictive Monitoring [0.3425341633647624]
  本稿では,予測モデルのためのトレーニングプロセスインスタンスのサンプリングを可能にするインスタンス選択手法を提案する。 インスタンスの選択手順により、次のアクティビティのトレーニング速度が大幅に向上し、残り時間の予測が可能であることを示す。
  論文  参考訳（メタデータ） (2023-01-18T16:07:56Z)
• Systematic Evaluation of Predictive Fairness [60.0947291284978]
  バイアス付きデータセットのトレーニングにおけるバイアスの緩和は、重要なオープンな問題である。 複数のタスクにまたがる様々なデバイアス化手法の性能について検討する。 データ条件が相対モデルの性能に強い影響を与えることがわかった。
  論文  参考訳（メタデータ） (2022-10-17T05:40:13Z)
• Event Log Sampling for Predictive Monitoring [0.3425341633647624]
  本稿では,予測モデルのためのトレーニングプロセスインスタンスのサンプリングを可能にするインスタンス選択手法を提案する。 本手法は,次の活動予測法において,信頼性の高い予測精度を維持しつつ,トレーニング速度を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-04-04T13:36:48Z)
• Prescriptive Process Monitoring: Quo Vadis? [64.39761523935613]
  本論文はシステム文献レビュー(SLR)を通して,本分野における既存手法について考察する。 SLRは今後の研究の課題や分野に関する洞察を提供し、規範的なプロセス監視手法の有用性と適用性を高めることができる。
  論文  参考訳（メタデータ） (2021-12-03T08:06:24Z)
• What Averages Do Not Tell -- Predicting Real Life Processes with Sequential Deep Learning [0.1376408511310322]
  プロセスマイニング(Process Mining)は、システムによってログされた実行データからビジネスプロセスに関する洞察を発見すること。 多くのディープラーニング技術が、プロセス結果の予測を目的とした予測プロセスマイニングに成功している。 プロセスマイニングのトレースはマルチモーダルシーケンスであり、自然言語の文や画像とは全く異なる構造である。
  論文  参考訳（メタデータ） (2021-10-19T19:45:05Z)
• An Investigation of Replay-based Approaches for Continual Learning [79.0660895390689]
  連続学習(CL)は機械学習(ML)の大きな課題であり、破滅的忘れ(CF)を伴わずに連続的に複数のタスクを学習する能力を記述する。 いくつかの解クラスが提案されており、その単純さと堅牢性から、いわゆるリプレイベースのアプローチは非常に有望であるように思われる。 連続学習におけるリプレイに基づくアプローチを実証的に検討し,応用の可能性を評価する。
  論文  参考訳（メタデータ） (2021-08-15T15:05:02Z)
• Interpreting Process Predictions using a Milestone-Aware Counterfactual Approach [0.0]
  本稿では,予測プロセス分析の文脈において,一般的なモデルに依存しない逆ファクトアルアルゴリズムであるDiCEの利用について検討する。 分析の結果,プロセス予測の導出に際し,アルゴリズムは限定的であることがわかった。 本稿では,足跡の異なる段階における節目対応の反事実の導出を支援する手法を提案する。
  論文  参考訳（メタデータ） (2021-07-19T09:14:16Z)
• Prescriptive Business Process Monitoring for Recommending Next Best Actions [0.0]
  予測ビジネスプロセス監視(PBPM)技術は、過去のイベントログデータに基づいて、将来のプロセスの振る舞いを予測する。 最近のPBPM技術では、最先端のディープニューラルネットワーク(DNN)を使用して予測モデルを学習し、より正確な予測を生成する。 我々は、次に最も可能性が高いアクティビティを、与えられたアクションに関する次のベストアクションに変換するPrBPMテクニックを提案する。
  論文  参考訳（メタデータ） (2020-08-19T22:33:54Z)

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。