論文の概要: ProcK: Machine Learning for Knowledge-Intensive Processes

• arxiv url: http://arxiv.org/abs/2109.04881v1
• Date: Fri, 10 Sep 2021 13:51:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-13 13:18:07.398539
• Title: ProcK: Machine Learning for Knowledge-Intensive Processes
• Title（参考訳）: ProcK: 知識集約型プロセスのための機械学習
• Authors: Tobias Jacobs, Jingyi Yu, Julia Gastinger, Timo Sztyler
• Abstract要約: ProcK(Process & Knowledge)はビジネスプロセス予測モデルを構築するための新しいパイプラインである。 リレーショナルデータベースからリンクされたイベントログとナレッジベースを抽出するコンポーネントは、パイプラインの一部である。 我々は、OULADのeラーニングデータセット上で予測タスクをトレーニングすることで、ProcKのパワーを実証する。
• 参考スコア（独自算出の注目度）: 30.371382331613532
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Process mining deals with extraction of knowledge from business process execution logs. Traditional process mining tasks, like process model generation or conformance checking, rely on a minimalistic feature set where each event is characterized only by its case identifier, activity type, and timestamp. In contrast, the success of modern machine learning is based on models that take any available data as direct input and build layers of features automatically during training. In this work, we introduce ProcK (Process & Knowledge), a novel pipeline to build business process prediction models that take into account both sequential data in the form of event logs and rich semantic information represented in a graph-structured knowledge base. The hybrid approach enables ProcK to flexibly make use of all information residing in the databases of organizations. Components to extract inter-linked event logs and knowledge bases from relational databases are part of the pipeline. We demonstrate the power of ProcK by training it for prediction tasks on the OULAD e-learning dataset, where we achieve state-of-the-art performance on the tasks of predicting student dropout from courses and predicting their success. We also apply our method on a number of additional machine learning tasks, including exam score prediction and early predictions that only take into account data recorded during the first weeks of the courses.
• Abstract（参考訳）: プロセスマイニングは、ビジネスプロセス実行ログからの知識の抽出を扱う。 プロセスモデル生成やコンフォーマンスチェックのような従来のプロセスマイニングタスクは、各イベントがケース識別子、アクティビティタイプ、タイムスタンプのみによって特徴づけられる最小限の機能セットに依存しています。 対照的に、現代の機械学習の成功は、トレーニング中に利用可能なデータを直接入力として取り、機能層を自動構築するモデルに基づいている。 本稿では,イベントログ形式の逐次データとグラフ構造知識ベースで表現されるリッチな意味情報の両方を考慮したビジネスプロセス予測モデルを構築するための新しいパイプラインであるprock(process & knowledge)を紹介する。 ハイブリッドアプローチにより、ProcKは組織のデータベースに存在するすべての情報を柔軟に利用できるようになる。 関係データベースから相互リンクされたイベントログと知識ベースを抽出するコンポーネントは、パイプラインの一部である。 OULADのeラーニングデータセットで予測タスクをトレーニングすることで、ProcKのパワーを実証し、学生の退学を予測し、その成功を予測するタスクにおいて最先端のパフォーマンスを達成する。 また,試験結果の予測や,授業初週に記録されたデータのみを考慮に入れた早期予測など,追加の機械学習タスクにも本手法を適用した。

関連論文リスト

• Process-aware Human Activity Recognition [1.912429179274357]
  本稿では,HARの性能向上のために,コンテキストからのプロセス情報を組み込んだ新しい手法を提案する。 具体的には、機械学習モデルによって生成された確率的事象と、文脈情報から導出されるプロセスモデルとを一致させる。 このアライメントは、これらの2つの情報源を適応的に重み付けし、HARの精度を最適化する。
  論文  参考訳（メタデータ） (2024-11-13T17:53:23Z)
• PILOT: A Pre-Trained Model-Based Continual Learning Toolbox [71.63186089279218]
  本稿では,PILOTとして知られるモデルベース連続学習ツールボックスについて紹介する。 一方、PILOTはL2P、DualPrompt、CODA-Promptといった事前学習モデルに基づいて、最先端のクラスインクリメンタル学習アルゴリズムを実装している。 一方、PILOTは、事前学習されたモデルの文脈に典型的なクラス増分学習アルゴリズムを適合させ、それらの効果を評価する。
  論文  参考訳（メタデータ） (2023-09-13T17:55:11Z)
• 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)
• SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
  本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。 しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
  論文  参考訳（メタデータ） (2021-12-22T14:45:37Z)
• 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)
• PROVED: A Tool for Graph Representation and Analysis of Uncertain Event Data [0.966840768820136]
  プロセスマイニングの分野は、歴史的なプロセス実行を分析して、データ駆動方式でプロセスを研究することを目的としている。 近年のイベントデータは,不確実なイベントデータを含むプロセスマイニングコミュニティの関心を集めている。 PROVEDツールは、このような不確実なイベントデータを探索、ナビゲート、分析するのに役立ちます。
  論文  参考訳（メタデータ） (2021-03-09T17:11:54Z)
• Parrot: Data-Driven Behavioral Priors for Reinforcement Learning [79.32403825036792]
  そこで本研究では,実験で得られた複雑なインプット・アウトプット関係を事前に学習する手法を提案する。 RLエージェントが新規な動作を試す能力を阻害することなく、この学習が新しいタスクを迅速に学習するのにどのように役立つかを示す。
  論文  参考訳（メタデータ） (2020-11-19T18:47:40Z)
• Towards Intelligent Risk-based Customer Segmentation in Banking [0.0]
  我々は、顧客のデータをあるシステムから別のシステムへ移動させるために、一連の処理要素からなるインテリジェントなデータ駆動パイプラインを提案する。 目標は、機能エンジニアリング、すなわち、(銀行化)ドメイン知識を使用して生データから特徴を抽出するプロセスを自動化する、新しいインテリジェントな顧客セグメンテーションプロセスを提供することである。 提案手法は,従来の手法に比べて91%の精度でトランザクションの検出,識別,分類を行うことができる。
  論文  参考訳（メタデータ） (2020-09-29T11:22:04Z)
• Knowledge-Aware Procedural Text Understanding with Multi-Stage Training [110.93934567725826]
  本稿では,このような文書の理解とプロセス中のエンティティの状態や場所の追跡を目的とした手続き的テキスト理解の課題に焦点をあてる。 常識的推論の難しさとデータ不足という2つの課題はまだ未解決のままである。 我々は、複数の外部知識を効果的に活用する、KnOwledge-Aware ProceduraL text understAnding (KOALA)モデルを提案する。
  論文  参考訳（メタデータ） (2020-09-28T10:28:40Z)
• Process Discovery for Structured Program Synthesis [70.29027202357385]
  プロセスマイニングにおける中核的なタスクは、イベントログデータから正確なプロセスモデルを学ぶことを目的としたプロセス発見である。 本稿では,ターゲットプロセスモデルとして(ブロック-)構造化プログラムを直接使用することを提案する。 我々は,このような構造化プログラムプロセスモデルの発見に対して,新たなボトムアップ・アグリメティブ・アプローチを開発する。
  論文  参考訳（メタデータ） (2020-08-13T10:33:10Z)

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。