論文の概要: Text-Aware Predictive Monitoring of Business Processes

• arxiv url: http://arxiv.org/abs/2104.09962v2
• Date: Wed, 21 Apr 2021 13:12:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-22 11:17:34.929382
• Title: Text-Aware Predictive Monitoring of Business Processes
• Title（参考訳）: ビジネスプロセスのテキストアウェア予測モニタリング
• Authors: Marco Pegoraro and Merih Seran Uysal and David Benedikt Georgi and Wil M.P. van der Aalst
• Abstract要約: 我々は,Long Short-Term Memory(LSTM)ニューラルネットワークと自然言語モデルに基づく,新しいテキスト認識プロセス予測モデルを開発した。 提案モデルは,次のイベントのアクティビティとタイムスタンプ,結果,実行中のプロセスインスタンスのサイクル時間を予測するために,イベントデータのカテゴリ的,数値的,テキスト的属性を考慮に入れることができる。 実験により、テキストデータを含むシミュレーションおよび実世界のイベントログにおいて、テキスト認識モデルが最先端プロセス予測手法を上回ることができることを示した。
• 参考スコア（独自算出の注目度）: 0.8602553195689513
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The real-time prediction of business processes using historical event data is an important capability of modern business process monitoring systems. Existing process prediction methods are able to also exploit the data perspective of recorded events, in addition to the control-flow perspective. However, while well-structured numerical or categorical attributes are considered in many prediction techniques, almost no technique is able to utilize text documents written in natural language, which can hold information critical to the prediction task. In this paper, we illustrate the design, implementation, and evaluation of a novel text-aware process prediction model based on Long Short-Term Memory (LSTM) neural networks and natural language models. The proposed model can take categorical, numerical and textual attributes in event data into account to predict the activity and timestamp of the next event, the outcome, and the cycle time of a running process instance. Experiments show that the text-aware model is able to outperform state-of-the-art process prediction methods on simulated and real-world event logs containing textual data.
• Abstract（参考訳）: 過去のイベントデータを用いたビジネスプロセスのリアルタイム予測は、現代のビジネスプロセス監視システムの重要な機能である。 既存のプロセス予測手法は、制御フローの観点に加えて、記録されたイベントのデータパースペクティブも活用することができる。 しかし、よく構造化された数値的・カテゴリー的属性は多くの予測手法で考慮されているが、予測タスクに不可欠な情報を保持できる自然言語で書かれたテキスト文書を活用できる技術はほとんどない。 本稿では,Long Short-Term Memory(LSTM)ニューラルネットワークと自然言語モデルに基づく,新しいテキスト認識プロセス予測モデルの設計,実装,評価について述べる。 提案モデルは,次のイベントのアクティビティとタイムスタンプ,結果,実行中のプロセスインスタンスのサイクル時間を予測するために,イベントデータのカテゴリ的,数値的,テキスト的属性を考慮に入れることができる。 実験により、テキストデータを含むシミュレーションおよび実世界のイベントログにおいて、テキスト認識モデルが最先端プロセス予測手法を上回ることができることを示した。

関連論文リスト

• PELP: Pioneer Event Log Prediction Using Sequence-to-Sequence Neural Networks [13.221876371019718]
  本稿では,シークエンス・ツー・シークエンス・ディープ・ラーニング・アプローチを用いたイベントログ予測問題の解法を提案する。 種々の合成ログと7つの実生活ログの予測結果の評価と解析を行った。
  論文  参考訳（メタデータ） (2023-12-15T12:30:30Z)
• Exploring the Limits of Historical Information for Temporal Knowledge Graph Extrapolation [59.417443739208146]
  本稿では,歴史的コントラスト学習の新しい学習枠組みに基づくイベント予測モデルを提案する。 CENETは、最も潜在的なエンティティを識別するために、歴史的および非歴史的依存関係の両方を学ぶ。 提案したモデルを5つのベンチマークグラフで評価する。
  論文  参考訳（メタデータ） (2023-08-29T03:26:38Z)
• 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)
• Process-BERT: A Framework for Representation Learning on Educational Process Data [68.8204255655161]
  本稿では,教育プロセスデータの表現を学習するためのフレームワークを提案する。 我々のフレームワークは、BERT型の目的を用いて、シーケンシャルなプロセスデータから表現を学習する事前学習ステップで構成されています。 当社のフレームワークは,2019年国のレポートカードデータマイニングコンペティションデータセットに適用しています。
  論文  参考訳（メタデータ） (2022-04-28T16:07:28Z)
• Robust Event Classification Using Imperfect Real-world PMU Data [58.26737360525643]
  本研究では,不完全な実世界のファサー計測単位(PMU)データを用いて,ロバストな事象分類について検討する。 我々は、堅牢なイベント分類器を訓練するための新しい機械学習フレームワークを開発する。
  論文  参考訳（メタデータ） (2021-10-19T17:41:43Z)
• Multivariate Business Process Representation Learning utilizing Gramian Angular Fields and Convolutional Neural Networks [0.0]
  データの意味のある表現を学習することは、機械学習の重要な側面である。 予測的プロセス分析では、プロセスインスタンスのすべての説明的特性を利用できるようにすることが不可欠である。 本稿では,ビジネスプロセスインスタンスの表現学習のための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2021-06-15T10:21:14Z)
• Process Model Forecasting Using Time Series Analysis of Event Sequence Data [0.23099144596725568]
  過去のイベントデータからプロセスモデル全体を予測する手法を開発しています。 本実装は,実世界のイベントログデータに対する手法の精度を示す。
  論文  参考訳（メタデータ） (2021-05-03T18:00:27Z)
• Online Learning Probabilistic Event Calculus Theories in Answer Set Programming [70.06301658267125]
  イベント認識(CER)システムは、事前に定義されたイベントパターンを使用して、ストリーミングタイムスタンプデータセットで発生を検出する。 本稿では,複雑なイベントパターンによる確率論的推論を,イベント計算で重み付けされたルールの形で行うことができるAnswer Set Programming(ASP)に基づくシステムを提案する。 その結果, 効率と予測の両面で, 新たなアプローチの優位性が示された。
  論文  参考訳（メタデータ） (2021-03-31T23:16:29Z)
• 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)
• Cause vs. Effect in Context-Sensitive Prediction of Business Process Instances [0.440401067183266]
  本稿では、次の事象の原因または影響のコンテキストの問題と、次の事象の予測への影響について論じる。 確率モデルに関する従来の研究を活用し、動的ベイズネットワーク技術を開発した。 本稿では,本手法を2つの実生活データセットを用いて評価し,予測プロセス監視分野の他の手法とベンチマークする。
  論文  参考訳（メタデータ） (2020-07-15T08:58:15Z)
• Procedural Reading Comprehension with Attribute-Aware Context Flow [85.34405161075276]
  手続き的なテキストは、しばしばエンティティの上で起こるプロセスを記述する。 本稿では,テキストを一般的な形式に翻訳することで,手続き的読解のためのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-03-31T00:06:29Z)

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。