論文の概要: ProcessTransformer: Predictive Business Process Monitoring with
Transformer Network
- arxiv url: http://arxiv.org/abs/2104.00721v1
- Date: Thu, 1 Apr 2021 18:58:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-05 14:04:05.619910
- Title: ProcessTransformer: Predictive Business Process Monitoring with
Transformer Network
- Title（参考訳）: Process Transformer: Transformer Networkによる予測ビジネスプロセスモニタリング
- Authors: Zaharah A. Bukhsh, Aaqib Saeed, Remco M. Dijkman
- Abstract要約: 本稿では,イベントログから高レベル表現を注目ネットワークで学習するプロセストランスフォーマーを提案する。
本モデルでは,複数イベントシーケンスと対応する出力の依存関係を確立するための自己保持機構を,長期記憶に取り入れた。
- 参考スコア（独自算出の注目度）: 0.06445605125467573
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Predictive business process monitoring focuses on predicting future
characteristics of a running process using event logs. The foresight into
process execution promises great potentials for efficient operations, better
resource management, and effective customer services. Deep learning-based
approaches have been widely adopted in process mining to address the
limitations of classical algorithms for solving multiple problems, especially
the next event and remaining-time prediction tasks. Nevertheless, designing a
deep neural architecture that performs competitively across various tasks is
challenging as existing methods fail to capture long-range dependencies in the
input sequences and perform poorly for lengthy process traces. In this paper,
we propose ProcessTransformer, an approach for learning high-level
representations from event logs with an attention-based network. Our model
incorporates long-range memory and relies on a self-attention mechanism to
establish dependencies between a multitude of event sequences and corresponding
outputs. We evaluate the applicability of our technique on nine real event
logs. We demonstrate that the transformer-based model outperforms several
baselines of prior techniques by obtaining on average above 80% accuracy for
the task of predicting the next activity. Our method also perform
competitively, compared to baselines, for the tasks of predicting event time
and remaining time of a running case
- Abstract（参考訳）: 予測ビジネスプロセス監視は、イベントログを使用して実行中のプロセスの将来の特性を予測することに重点を置いている。
プロセス実行の見通しは、効率的な運用、より良いリソース管理、効果的な顧客サービスのための大きなポテンシャルを約束します。
深層学習に基づくアプローチは、複数の問題を解決するための古典的アルゴリズムの制限、特に次の事象や継続時間の予測タスクに対処するために、プロセスマイニングにおいて広く採用されている。
それでも、さまざまなタスクをまたいで競争的に実行するディープニューラルネットワークの設計は、既存のメソッドが入力シーケンスの長距離依存性を捉えず、長いプロセストレースに対してパフォーマンスが悪かったため、困難である。
本稿では,注意に基づくネットワークを用いてイベントログからハイレベル表現を学習する手法である processtransformer を提案する。
本モデルでは,複数イベントシーケンスと対応する出力の依存関係を確立するための自己保持機構を,長期記憶に取り入れた。
我々は,9つの実イベントログに対する手法の適用性を評価する。
本研究では, 変圧器を用いたモデルが, 次の活動を予測するタスクに対して, 平均80%以上の精度で求めることにより, 先行手法のベースラインよりも優れていることを示す。
また,本手法は,実行事例のイベント時間と残時間を予測するタスクに対して,ベースラインと比較して競合的に実行する。
関連論文リスト
- Switchable Decision: Dynamic Neural Generation Networks [98.61113699324429]
本稿では,各データインスタンスのリソースを動的に割り当てることで,推論を高速化するスイッチブルな決定を提案する。
提案手法は, 同一の精度を維持しながら, 推論時のコスト低減に有効である。
論文 参考訳（メタデータ） (2024-05-07T17:44:54Z) - PGTNet: A Process Graph Transformer Network for Remaining Time Prediction of Business Process Instances [7.724546575875487]
本稿では,イベントログをグラフデータセットに変換するPGTNetを提案する。
我々は、プロセスグラフトランスフォーマーネットワークのトレーニングにグラフ指向のデータを活用し、ビジネスプロセスインスタンスの残り時間を予測します。
論文 参考訳（メタデータ） (2024-04-09T12:45:17Z) - Learning Logic Specifications for Policy Guidance in POMDPs: an
Inductive Logic Programming Approach [57.788675205519986]
我々は任意の解法によって生成されるPOMDP実行から高品質なトレースを学習する。
我々は、データと時間効率のIndu Logic Programming(ILP)を利用して、解釈可能な信念に基づくポリシー仕様を生成する。
ASP(Answer Set Programming)で表現された学習は、ニューラルネットワークよりも優れた性能を示し、より少ない計算時間で最適な手作りタスクに類似していることを示す。
論文 参考訳（メタデータ） (2024-02-29T15:36:01Z) - 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) - Discovering Hierarchical Process Models: an Approach Based on Events
Clustering [0.0]
本稿では,2段階のワークフローネットとして表現される階層的プロセスモデルを発見するアルゴリズムを提案する。
既存のソリューションとは異なり、我々のアルゴリズムはプロセス制御フローに制限を課さず、反復を可能にする。
論文 参考訳（メタデータ） (2023-03-12T11:05:40Z) - 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) - Avoiding Post-Processing with Event-Based Detection in Biomedical
Signals [69.34035527763916]
学習対象としてイベントを直接扱うイベントベースのモデリングフレームワークを提案する。
イベントベースのモデリング(後処理なし)は、広範囲な後処理を伴うエポックベースのモデリングと同等以上のパフォーマンスを示す。
論文 参考訳（メタデータ） (2022-09-22T13:44:13Z) - 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) - Predictive Process Model Monitoring using Recurrent Neural Networks [2.4029798593292706]
本稿では,予測モニタリングの中間地点となるプロセス・アズ・ムーブズ(PAM)について紹介する。
プロセス実行トレースのさまざまなウィンドウにおけるアクティビティ間の宣言的なプロセス制約をキャプチャすることで実現します。
高次元入力に適した様々なリカレントニューラルネットワークトポロジを使用して、ウィンドウをタイムステップとしてプロセスモデルの進化をモデル化する。
論文 参考訳（メタデータ） (2020-11-05T13:57:33Z) - Train No Evil: Selective Masking for Task-Guided Pre-Training [97.03615486457065]
一般的な事前学習と微調整の間を選択的にマスキングするタスク誘導事前学習段階を付加した3段階のフレームワークを提案する。
提案手法は,50%未満のコストで同等あるいはさらに優れた性能が得られることを示す。
論文 参考訳（メタデータ） (2020-04-21T03:14:22Z) - Subset Sampling For Progressive Neural Network Learning [106.12874293597754]
プログレッシブニューラルネットワーク学習は、ネットワークのトポロジを漸進的に構築し、トレーニングデータに基づいてパラメータを最適化するアルゴリズムのクラスである。
段階的なトレーニングステップ毎にトレーニングデータのサブセットを活用することで,このプロセスの高速化を提案する。
オブジェクト,シーン,顔の認識における実験結果から,提案手法が最適化手順を大幅に高速化することを示す。
論文 参考訳（メタデータ） (2020-02-17T18:57:33Z)
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。