論文の概要: Improving Heuristic-based Process Discovery Methods by Detecting Optimal
Dependency Graphs
- arxiv url: http://arxiv.org/abs/2203.10145v1
- Date: Fri, 18 Mar 2022 20:00:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-22 16:16:44.294051
- Title: Improving Heuristic-based Process Discovery Methods by Detecting Optimal
Dependency Graphs
- Title（参考訳）: 最適依存グラフ検出によるヒューリスティックなプロセス探索法の改善
- Authors: Maryam Tavakoli-Zaniani, Mohammad Reza Gholamian and S. Alireza
Hashemi Golpayegani
- Abstract要約: 本稿では,依存度に関するグラフ弧の最適セットを決定する新しい整数線形プログラミングモデルを提案する。
提案手法の出力は, 適合性, 精度, 特に簡易性の観点から最も顕著な依存性グラフ探索手法の出力よりも優れている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Heuristic-based methods are among the most popular methods in the process
discovery area. This category of methods is composed of two main steps: 1)
discovering a dependency graph 2) determining the split/join patterns of the
dependency graph. The current dependency graph discovery techniques of
heuristic-based methods select the initial set of graph arcs according to
dependency measures and then modify the set regarding some criteria. This can
lead to selecting the non-optimal set of arcs. Also, the modifications can
result in modeling rare behaviors and, consequently, low precision and
non-simple process models. Thus, constructing dependency graphs through
selecting the optimal set of arcs has a high potential for improving graphs
quality. Hence, this paper proposes a new integer linear programming model that
determines the optimal set of graph arcs regarding dependency measures.
Simultaneously, the proposed method can eliminate some other issues that the
existing methods cannot handle completely; i.e., even in the presence of loops,
it guarantees that all tasks are on a path from the initial to the final tasks.
This approach also allows utilizing domain knowledge by introducing appropriate
constraints, which can be a practical advantage in real-world problems. To
assess the results, we modified two existing methods of evaluating process
models to make them capable of measuring the quality of dependency graphs.
According to assessments, the outputs of the proposed method are superior to
the outputs of the most prominent dependency graph discovery methods in terms
of fitness, precision, and especially simplicity.
- Abstract（参考訳）: ヒューリスティックな手法は、プロセス発見領域で最も一般的な方法の一つである。
この方法のカテゴリは2つの主要なステップから構成されます。
1)依存性グラフの発見
2) 依存グラフの分割/結合パターンを決定する。
ヒューリスティックな手法の現在の依存グラフ探索技術は、依存度に応じてグラフアークの初期セットを選択し、いくつかの基準に関するセットを変更する。
これにより、最適でない弧の集合を選択することができる。
また、この修正は希少な振る舞いをモデル化し、その結果、低精度で非単純なプロセスモデルが得られる。
したがって、最適なアーク集合の選択による依存グラフの構築は、グラフの品質を向上させる可能性が高い。
そこで本論文では,依存測度に関するグラフ弧の最適集合を決定する新しい整数線形計画モデルを提案する。
同時に、提案手法では、既存のメソッドが完全に処理できない問題、すなわちループが存在する場合でも、すべてのタスクが初期タスクから最終タスクまでのパスにあることを保証できる。
このアプローチは、適切な制約を導入することで、ドメインの知識を利用することも可能にします。
結果を評価するために,プロセスモデルの評価手法を2つ修正し,依存性グラフの品質を計測できるようにした。
評価結果によると,提案手法の出力は,適合性,精度,特に簡易性の観点から,最も顕著な依存性グラフ探索手法の出力よりも優れている。
関連論文リスト
- Fast Semi-supervised Learning on Large Graphs: An Improved Green-function Method [93.04936336359502]
グラフに基づく半教師付き学習において、グリーン関数法はグラフ空間におけるグリーン関数の計算によって機能する古典的な方法である。
そこで本研究では,最適化の観点から詳細な解析を行い,新しい手法を提案する。
従来の手法とは異なり,改良手法ではガウス除去法とアンコレッドグラフ法という2つの高速化手法を適用できる。
論文 参考訳（メタデータ） (2024-11-04T04:27:18Z) - Multi-objective Binary Differential Approach with Parameter Tuning for Discovering Business Process Models: MoD-ProM [2.3423913554158653]
本稿では,プロセス発見のための多目的フレームワークにおけるバイナリ微分進化手法について考察する。
提案手法により生成されたプロセスモデルは、最先端のアルゴリズムで生成されたプロセスよりも優れているか、少なくとも優れていることが示されている。
論文 参考訳（メタデータ） (2024-06-25T16:53:55Z) - Integer Programming for Learning Directed Acyclic Graphs from Non-identifiable Gaussian Models [6.54203362045253]
本研究では,連続観測データから有向非巡回グラフを学習する問題について検討する。
中規模の問題を学習するための混合整数プログラミングフレームワークを開発した。
提案手法は最先端のアルゴリズムより優れ,ノイズの不均一性に対して頑健である。
論文 参考訳（メタデータ） (2024-04-19T02:42:13Z) - Learning Heuristics for the Maximum Clique Enumeration Problem Using Low
Dimensional Representations [0.0]
本稿では,最大列挙問題の傾きを低減するために,入力グラフのプルーニング処理に学習フレームワークを用いる。
本手法の性能評価において,異なる頂点表現を用いることが果たす役割について検討する。
分類過程において局所的なグラフ特徴を用いることで,特徴の除去過程と組み合わせることで,より正確な結果が得られることが観察された。
論文 参考訳（メタデータ） (2022-10-30T22:04:32Z) - Differentiable Mathematical Programming for Object-Centric
Representation Learning [32.76702197616919]
本稿では,線形プログラムとして表現される分割法として最小$s$-$t$グラフカットを提案する。
このグラフを解くために、我々の解は効率的でスケーラブルで微分可能な二次プログラミング近似に依存する。
以上の結果から,我々の手法はスケーラブルであり,テクスチャ化されたシーンやオブジェクトを用いたオブジェクト発見タスクにおいて,既存の手法よりも優れていたことが示唆された。
論文 参考訳（メタデータ） (2022-10-05T11:36:45Z) - Learning Graph Regularisation for Guided Super-Resolution [77.7568596501908]
誘導超解像のための新しい定式化を導入する。
そのコアは、学習親和性グラフ上で動作する微分可能な最適化層である。
提案手法をいくつかのデータセット上で広範囲に評価し, 定量的な再構成誤差の点から最近のベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2022-03-27T13:12:18Z) - Bayesian Graph Contrastive Learning [55.36652660268726]
本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。
提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。
いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
論文 参考訳（メタデータ） (2021-12-15T01:45:32Z) - Auto-weighted Multi-view Feature Selection with Graph Optimization [90.26124046530319]
グラフ学習に基づく新しい教師なしマルチビュー特徴選択モデルを提案する。
1) 特徴選択過程において, 異なる視点で共有されたコンセンサス類似度グラフが学習される。
各種データセットを用いた実験により,提案手法が最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-04-11T03:25:25Z) - Learnable Graph Matching: Incorporating Graph Partitioning with Deep
Feature Learning for Multiple Object Tracking [58.30147362745852]
フレーム間のデータアソシエーションは、Multiple Object Tracking(MOT)タスクの中核にある。
既存の手法は、主にトラックレットとフレーム内検出の間のコンテキスト情報を無視する。
そこで本研究では,学習可能なグラフマッチング手法を提案する。
論文 参考訳（メタデータ） (2021-03-30T08:58:45Z) - Graph embedding using multi-layer adjacent point merging model [23.706877029336415]
本稿では, 隣接した多層マージ点モデルを用いたグラフ埋め込み手法を提案する。
この埋め込み手法により、列車データから異なるサブグラフパターンを抽出できる。
数値解析により,提案手法が多くの最先端手法より優れていることを示す。
論文 参考訳（メタデータ） (2020-10-28T05:35:04Z) - Towards an Efficient and General Framework of Robust Training for Graph
Neural Networks [96.93500886136532]
グラフニューラルネットワーク(GNN)は、いくつかの基本的な推論タスクに大きく進歩している。
GNNの目覚ましい性能にもかかわらず、グラフ構造上の摂動を慎重に作り、誤った予測を下すことが観察されている。
我々は,強靭なGNNを得るために,欲求探索アルゴリズムとゼロ階法を利用する汎用フレームワークを提案する。
論文 参考訳（メタデータ） (2020-02-25T15:17:58Z)
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。