論文の概要: Automated Repair of Process Models with Non-Local Constraints Using State-Based Region Theory

• arxiv url: http://arxiv.org/abs/2106.15398v1
• Date: Sat, 26 Jun 2021 21:14:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-30 15:22:00.922045
• Title: Automated Repair of Process Models with Non-Local Constraints Using State-Based Region Theory
• Title（参考訳）: 状態ベース領域理論を用いた非局所制約プロセスモデルの自動修復
• Authors: Anna Kalenkova, Josep Carmona, Artem Polyvyanyy, Marcello La Rosa
• Abstract要約: 最先端プロセス発見手法は、イベントログから自由選択プロセスモデルを構築する。 本研究では,非自由選択構造を地域的手法で探索し,非自由選択構造を付加することで自由選択過程モデルを改善する手法を提案する。
• 参考スコア（独自算出の注目度）: 0.19499120576896226
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: State-of-the-art process discovery methods construct free-choice process models from event logs. Consequently, the constructed models do not take into account indirect dependencies between events. Whenever the input behaviour is not free-choice, these methods fail to provide a precise model. In this paper, we propose a novel approach for enhancing free-choice process models by adding non-free-choice constructs discovered a-posteriori via region-based techniques. This allows us to benefit from the performance of existing process discovery methods and the accuracy of the employed fundamental synthesis techniques. We prove that the proposed approach preserves fitness with respect to the event log while improving the precision when indirect dependencies exist. The approach has been implemented and tested on both synthetic and real-life datasets. The results show its effectiveness in repairing models discovered from event logs.
• Abstract（参考訳）: 最先端プロセス発見手法はイベントログから自由選択プロセスモデルを構築する。 したがって、構築されたモデルはイベント間の間接的な依存関係を考慮しない。 入力動作が自由選択でない場合、これらのメソッドは正確なモデルを提供しない。 本稿では,非自由選択構造を地域的手法で発見し,非自由選択構造を付加することで自由選択過程モデルを改善する手法を提案する。 これにより、既存のプロセス発見手法の性能と、採用されている基本合成技術の精度を享受することができる。 提案手法は,イベントログに対する適合性を保ちながら,間接的依存関係が存在する場合の精度を向上する。 このアプローチは、合成データセットと実生活データセットの両方で実装およびテストされている。 その結果,イベントログから検出したモデルの修復に有効性が示された。

関連論文リスト

• Bisimulation Learning [55.859538562698496]
  我々は、大きな、潜在的に無限の状態空間を持つ状態遷移系の有限バイシミュレートを計算する。 提案手法は,実際に行われている他の最先端ツールよりも高速な検証結果が得られる。
  論文  参考訳（メタデータ） (2024-05-24T17:11:27Z)
• Neural Abstractions [72.42530499990028]
  本稿では,ニューラルネットワークを用いた非線形力学モデルの安全性検証手法を提案する。 提案手法は,既存のベンチマーク非線形モデルにおいて,成熟度の高いFlow*と同等に動作することを示す。
  論文  参考訳（メタデータ） (2023-01-27T12:38:09Z)
• MACE: An Efficient Model-Agnostic Framework for Counterfactual Explanation [132.77005365032468]
  MACE(Model-Agnostic Counterfactual Explanation)の新たな枠組みを提案する。 MACE法では, 優れた反実例を見つけるための新しいRL法と, 近接性向上のための勾配のない降下法を提案する。 公開データセットの実験は、有効性、空間性、近接性を向上して検証する。
  論文  参考訳（メタデータ） (2022-05-31T04:57:06Z)
• Error-based Knockoffs Inference for Controlled Feature Selection [49.99321384855201]
  本手法では, ノックオフ特徴量, エラーベース特徴重要度統計量, ステップダウン手順を一体化して, エラーベースのノックオフ推定手法を提案する。 提案手法では回帰モデルを指定する必要はなく,理論的保証で特徴選択を処理できる。
  論文  参考訳（メタデータ） (2022-03-09T01:55:59Z)
• Process Discovery Using Graph Neural Networks [2.6381163133447836]
  本稿では,グラフニューラルネットワークを用いたMLベースモデルDのトレーニング手法を提案する。 Dは与えられた入力イベントログをサウンドペトリネットに変換する。 合成された入力ログと出力モデルのペアによるDのトレーニングにより、Dは以前に見つからなかった合成イベントログと複数の実生活イベントログを音に変換することができることを示す。
  論文  参考訳（メタデータ） (2021-09-13T10:04:34Z)
• Nonlinear Hawkes Process with Gaussian Process Self Effects [3.441953136999684]
  ホークスプロセスは、歴史に依存した時間-連続的な点プロセスのモデル化に使用される。 本稿では、自己影響が興奮型と抑制型の両方である拡張モデルを提案する。 我々は、ホークス過程に対するベイズ的推論の行程を継続し、我々のアプローチは、後方の分岐構造を推定する必要性を解消する。
  論文  参考訳（メタデータ） (2021-05-20T09:20:35Z)
• COMBO: Conservative Offline Model-Based Policy Optimization [120.55713363569845]
  ディープニューラルネットワークのような複雑なモデルによる不確実性推定は困難であり、信頼性が低い。 我々は,サポート外状態動作の値関数を正規化するモデルベースオフラインRLアルゴリズムCOMBOを開発した。 従来のオフラインモデルフリーメソッドやモデルベースメソッドと比べて、comboは一貫してパフォーマンスが良いことが分かりました。
  論文  参考訳（メタデータ） (2021-02-16T18:50:32Z)
• Conformance Checking of Mixed-paradigm Process Models [1.8122712065585906]
  混合パラダイムプロセスモデルは、ペトリネットやDeclareのような手続き的および宣言的表現の強みを統合する。 プロセスマイニングのための混合パラダイムモデルの拡散に関する重要な研究課題は、対応する適合性検査技術の欠如である。 混合パラダイムモデルの中間状態空間で動作する最初のアプローチを考案する。
  論文  参考訳（メタデータ） (2020-11-23T17:04:33Z)
• Model-based Policy Optimization with Unsupervised Model Adaptation [37.09948645461043]
  本研究では,不正確なモデル推定による実データとシミュレーションデータのギャップを埋めて,より良いポリシ最適化を実現する方法について検討する。 本稿では,教師なしモデル適応を導入したモデルベース強化学習フレームワークAMPOを提案する。 提案手法は,一連の連続制御ベンチマークタスクにおけるサンプル効率の観点から,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2020-10-19T14:19:42Z)
• Control as Hybrid Inference [62.997667081978825]
  本稿では、反復推論と償却推論のバランスを自然に仲介するCHIの実装について述べる。 連続的な制御ベンチマークでアルゴリズムのスケーラビリティを検証し、強力なモデルフリーおよびモデルベースラインを上回る性能を示す。
  論文  参考訳（メタデータ） (2020-07-11T19:44:09Z)
• Amortized Bayesian model comparison with evidential deep learning [0.12314765641075436]
  本稿では,専門的なディープラーニングアーキテクチャを用いたベイズモデルの比較手法を提案する。 提案手法は純粋にシミュレーションベースであり,観測された各データセットに対して,すべての代替モデルを明示的に適合させるステップを回避している。 提案手法は,本研究で検討した事例に対して,精度,キャリブレーション,効率の点で優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-04-22T15:15:46Z)

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。