論文の概要: Process Discovery Using Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2109.05835v1
• Date: Mon, 13 Sep 2021 10:04:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-14 16:15:27.244830
• Title: Process Discovery Using Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークを用いたプロセス発見
• Authors: Dominique Sommers, Vlado Menkovski, Dirk Fahland
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.6381163133447836
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatically discovering a process model from an event log is the prime problem in process mining. This task is so far approached as an unsupervised learning problem through graph synthesis algorithms. Algorithmic design decisions and heuristics allow for efficiently finding models in a reduced search space. However, design decisions and heuristics are derived from assumptions about how a given behavioral description - an event log - translates into a process model and were not learned from actual models which introduce biases in the solutions. In this paper, we explore the problem of supervised learning of a process discovery technique D. We introduce a technique for training an ML-based model D using graph convolutional neural networks; D translates a given input event log into a sound Petri net. We show that training D on synthetically generated pairs of input logs and output models allows D to translate previously unseen synthetic and several real-life event logs into sound, arbitrarily structured models of comparable accuracy and simplicity as existing state of the art techniques for discovering imperative process models. We analyze the limitations of the proposed technique and outline alleys for future work.
• Abstract（参考訳）: イベントログからプロセスモデルを自動的に発見することは、プロセスマイニングの主要な問題である。 この課題は、グラフ合成アルゴリズムを通じて教師なし学習問題としてこれまでに研究されてきた。 アルゴリズム設計決定とヒューリスティックは、少ない探索空間で効率的にモデルを見つけることができる。 しかしながら、設計決定とヒューリスティックスは、与えられた振る舞い記述 - イベントがプロセスモデルにログ変換され、ソリューションにバイアスをもたらす実際のモデルから学ばない、という仮定から導き出される。 本稿では,プロセス発見手法Dの教師あり学習の問題について考察する。我々は,グラフ畳み込みニューラルネットワークを用いたMLモデルDのトレーニング手法を紹介し,与えられた入力イベントログを音響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は未確認の複数の実生活イベントログを、命令的プロセスモデルを発見するための既存の技術の現状として、同等の精度と単純さの任意の構造化されたモデルに変換できることを示す。 提案手法の限界を分析し,今後の課題について概観する。

関連論文リスト

• Attribute-to-Delete: Machine Unlearning via Datamodel Matching [65.13151619119782]
  機械学習 -- 事前訓練された機械学習モデルで、小さな"ターゲットセット"トレーニングデータを効率的に削除する -- は、最近関心を集めている。 最近の研究では、機械学習技術はこのような困難な環境では耐えられないことが示されている。
  論文  参考訳（メタデータ） (2024-10-30T17:20:10Z)
• AI-Aided Kalman Filters [65.35350122917914]
  カルマンフィルタ(KF)とその変種は、信号処理において最も著名なアルゴリズムの一つである。 最近の進歩は、古典的なカルマン型フィルタリングでディープニューラルネットワーク(DNN)を融合させる可能性を示している。 本稿では,KF型アルゴリズムにAIを組み込むための設計アプローチについて,チュートリアル形式で概説する。
  論文  参考訳（メタデータ） (2024-10-16T06:47:53Z)
• Diffusion Models for Generative Artificial Intelligence: An Introduction for Applied Mathematicians [3.069335774032178]
  拡散モデルは、画像のための生成AIにおけるアートパフォーマンスの状態を提供する。 応用数学者と統計学者のための拡散モデルについて簡単な紹介を行う。
  論文  参考訳（メタデータ） (2023-12-21T20:20:52Z)
• Deep Graph Reprogramming [112.34663053130073]
  グラフニューラルネットワーク(GNN)に適したタスク再利用モデル「ディープグラフ再プログラミング」 本稿では,モデル再プログラミングパラダイムと並行して,革新的なデータ再プログラミングパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-04-28T02:04:29Z)
• Score-based Diffusion Models in Function Space [140.792362459734]
  拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。 本稿では,関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)という,数学的に厳密なフレームワークを提案する。 データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
  論文  参考訳（メタデータ） (2023-02-14T23:50:53Z)
• Neural ODEs with Irregular and Noisy Data [8.349349605334316]
  ノイズや不規則なサンプル測定を用いて微分方程式を学習する手法について議論する。 我々の方法論では、ディープニューラルネットワークとニューラル常微分方程式(ODE)アプローチの統合において、大きな革新が見られる。 ベクトル場を記述するモデルを学習するためのフレームワークは,雑音測定において非常に効果的である。
  論文  参考訳（メタデータ） (2022-05-19T11:24:41Z)
• AI based Log Analyser: A Practical Approach [0.0]
  ログの分析は、システムおよびサイバーレジリエンスの障害またはサイバー法医学的インシデントの検出、調査、技術分析のために行われる重要な活動である。 ログ分析のためのAIアルゴリズムの潜在的な応用は、そのような複雑で退屈なタスクを増強する可能性がある。 本研究は,通常のログエントリのみを持つ新しいモデルをトレーニングするために Transformer 構造を用いることで,これらの課題に対処することを目的とする。
  論文  参考訳（メタデータ） (2022-03-18T07:57:48Z)
• Learning Dynamics from Noisy Measurements using Deep Learning with a Runge-Kutta Constraint [9.36739413306697]
  そこで本研究では,雑音と疎サンプルを用いた微分方程式の学習手法について論じる。 我々の方法論では、ディープニューラルネットワークと古典的な数値積分法の統合において、大きな革新が見られる。
  論文  参考訳（メタデータ） (2021-09-23T15:43:45Z)
• Model-Agnostic Explanations using Minimal Forcing Subsets [11.420687735660097]
  そこで本研究では,モデル決定に欠かせない最小限のトレーニングサンプルを同定する,モデルに依存しない新しいアルゴリズムを提案する。 本アルゴリズムは,制約付き最適化問題を解くことにより,このような「欠かせない」サンプルの集合を反復的に同定する。 結果から,本アルゴリズムは局所モデルの振る舞いをよりよく理解する上で,効率的かつ容易に記述できるツールであることがわかった。
  論文  参考訳（メタデータ） (2020-11-01T22:45:16Z)
• 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)
• The data-driven physical-based equations discovery using evolutionary approach [77.34726150561087]
  与えられた観測データから数学的方程式を発見するアルゴリズムについて述べる。 このアルゴリズムは遺伝的プログラミングとスパース回帰を組み合わせたものである。 解析方程式の発見や偏微分方程式(PDE)の発見にも用いられる。
  論文  参考訳（メタデータ） (2020-04-03T17:21:57Z)

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。