論文の概要: A Framework for Extracting and Encoding Features from Object-Centric Event Data

• arxiv url: http://arxiv.org/abs/2209.01219v1
• Date: Fri, 2 Sep 2022 16:49:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-07 13:09:49.772710
• Title: A Framework for Extracting and Encoding Features from Object-Centric Event Data
• Title（参考訳）: オブジェクト中心イベントデータから特徴抽出と符号化を行うフレームワーク
• Authors: Jan Niklas Adams, Gyunam Park, Sergej Levich, Daniel Schuster, Wil M.P. van der Aalst
• Abstract要約: 本稿では,オブジェクト中心のイベントデータから特徴を抽出し,符号化するフレームワークを提案する。 オブジェクト中心のイベントデータの特徴を計算し、正確な測定結果を得る。 我々は、予測ユースケースにおいて、オブジェクト中心の特徴とシーケンシャルおよびグラフベースエンコーディングの構造の両方の有用性を示すために、説明可能なAIを使用する。
• 参考スコア（独自算出の注目度）: 0.36748639131154304
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traditional process mining techniques take event data as input where each event is associated with exactly one object. An object represents the instantiation of a process. Object-centric event data contain events associated with multiple objects expressing the interaction of multiple processes. As traditional process mining techniques assume events associated with exactly one object, these techniques cannot be applied to object-centric event data. To use traditional process mining techniques, the object-centric event data are flattened by removing all object references but one. The flattening process is lossy, leading to inaccurate features extracted from flattened data. Furthermore, the graph-like structure of object-centric event data is lost when flattening. In this paper, we introduce a general framework for extracting and encoding features from object-centric event data. We calculate features natively on the object-centric event data, leading to accurate measures. Furthermore, we provide three encodings for these features: tabular, sequential, and graph-based. While tabular and sequential encodings have been heavily used in process mining, the graph-based encoding is a new technique preserving the structure of the object-centric event data. We provide six use cases: a visualization and a prediction use case for each of the three encodings. We use explainable AI in the prediction use cases to show the utility of both the object-centric features and the structure of the sequential and graph-based encoding for a predictive model.
• Abstract（参考訳）: 従来のプロセスマイニング技術では、イベントデータを入力として取り、各イベントがちょうど1つのオブジェクトに関連付けられています。 オブジェクトはプロセスのインスタンス化を表します。 オブジェクト中心のイベントデータは、複数のプロセスの相互作用を表現する複数のオブジェクトに関連するイベントを含む。 従来のプロセスマイニング技術は、正確に1つのオブジェクトに関連するイベントを前提としています。 従来のプロセスマイニング技術を使用するには、オブジェクト中心のイベントデータは、すべてのオブジェクト参照を1つだけ取り除くことでフラット化される。 フラット化プロセスは失われ、フラット化データから抽出された不正確な特徴が生じる。 さらに、フラット化時には、オブジェクト中心イベントデータのグラフ状構造が失われる。 本稿では,オブジェクト中心のイベントデータから特徴抽出とエンコーディングを行う汎用フレームワークを提案する。 オブジェクト中心のイベントデータに基づいて特徴をネイティブに計算し、正確な測定結果を得る。 さらに,これらの機能に対して,表型,シーケンシャル,グラフベースの3つのエンコーディングを提供する。 グラフおよびシーケンシャルエンコーディングはプロセスマイニングにおいて多用されているが、グラフベースのエンコーディングは、オブジェクト中心のイベントデータの構造を保存する新しい手法である。 これら3つのエンコーディングの可視化と予測ユースケースの6つのユースケースを提供する。 我々は,予測モデルにおいて,オブジェクト中心の特徴と逐次およびグラフに基づくエンコーディングの構造の両方の有用性を示すために,説明可能なaiを用いる。

関連論文リスト

• HOEG: A New Approach for Object-Centric Predictive Process Monitoring [0.6144680854063939]
  予測プロセスモニタリングは、残りの時間を予測するなど、進行中のプロセス実行の将来の状態を予測することに焦点を当てる。 オブジェクト中心のプロセスマイニングの最近の進歩は、オブジェクトとイベントデータと、イベント間の明示的な関係を豊かにしている。 本稿では,イベントとオブジェクトを多種多様なノード型でグラフ構造に統合するヘテロジニアスオブジェクトイベントグラフ符号化(HOEG)を提案する。 そして、予測タスクにこれらの多様なオブジェクト特徴を組み込んだ異種グラフニューラルネットワークアーキテクチャを採用する。
  論文  参考訳（メタデータ） (2024-04-08T09:06:16Z)
• Detecting Anomalous Events in Object-centric Business Processes via Graph Neural Networks [55.583478485027]
  本研究では,ビジネスプロセスにおける異常検出のための新しいフレームワークを提案する。 まず、属性グラフとしてオブジェクト中心のイベントログのプロセス依存性を再構築する。 次に、異常事象を検出するために、グラフ畳み込みオートエンコーダアーキテクチャを用いる。
  論文  参考訳（メタデータ） (2024-02-14T14:17:56Z)
• Rethinking Event-based Human Pose Estimation with 3D Event Representations [26.592295349210787]
  イベントカメラは、困難なコンテキストをナビゲートするための堅牢なソリューションを提供する。 我々は、Rasterized Event Point CloudとDecoupled Event Voxelの2つの3Dイベント表現を紹介します。 EV-3DPW実験により,従来のRGB画像やイベントフレーム技術と比較して,提案手法のロバスト性を示した。
  論文  参考訳（メタデータ） (2023-11-08T10:45:09Z)
• Graph-based Asynchronous Event Processing for Rapid Object Recognition [59.112755601918074]
  イベントカメラは、各イベントがピクセル位置、トリガ時間、明るさの極性が変化するような非同期イベントストリームをキャプチャする。 イベントカメラのための新しいグラフベースのフレームワーク、SlideGCNを紹介した。 当社のアプローチでは、データをイベント単位で効率的に処理し、内部でグラフの構造を維持しながら、イベントデータの低レイテンシ特性を解放することが可能です。
  論文  参考訳（メタデータ） (2023-08-28T08:59:57Z)
• Scrape, Cut, Paste and Learn: Automated Dataset Generation Applied to Parcel Logistics [58.720142291102135]
  4つのステップでインスタンスセグメンテーションのための合成データセットを生成するために,完全に自動化されたパイプラインを提案する。 まず、人気のある画像検索エンジンから興味ある対象の画像を抽出する。 画像選択には,オブジェクトに依存しない事前処理,手動画像選択,CNNに基づく画像選択の3つの方法を比較する。
  論文  参考訳（メタデータ） (2022-10-18T12:49:04Z)
• 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)
• Defining Cases and Variants for Object-Centric Event Data [0.36748639131154304]
  オブジェクト中心のプロセスマイニングのケースコンセプト:プロセス実行を紹介します。 プロセス実行を抽出する技術を提供します。 実生活のイベントログの最も頻繁なオブジェクト中心の変種を示す。
  論文  参考訳（メタデータ） (2022-08-05T15:33:03Z)
• Predictive Object-Centric Process Monitoring [10.219621548854343]
  本稿では,GAN(Generative Adversarial Networks),LSTM(Long Short-Term Memory),Seq2seq(Sequence to Sequence Model)を用いた予測手法をOCELに含まれるリッチデータで拡張可能であることを示す。 この論文は、ユーザの入力から次のアクティビティのシーケンスを予測するWebインターフェースを提供する。
  論文  参考訳（メタデータ） (2022-07-20T16:30:47Z)
• Complex-Valued Autoencoders for Object Discovery [62.26260974933819]
  本稿では,オブジェクト中心表現に対する分散アプローチとして,複合オートエンコーダを提案する。 このシンプルで効率的なアプローチは、単純なマルチオブジェクトデータセット上の等価な実数値オートエンコーダよりも、より良い再構成性能を実現することを示す。 また、2つのデータセット上のSlotAttentionモデルと競合しないオブジェクト発見性能を実現し、SlotAttentionが失敗する第3のデータセットでオブジェクトをアンタングルする。
  論文  参考訳（メタデータ） (2022-04-05T09:25:28Z)
• Corpus-based Open-Domain Event Type Induction [78.76531329136708]
  本研究では,コーパスに基づくオープンドメインイベント型誘導手法を提案する。 それぞれのイベントタイプを、述語感覚、オブジェクトヘッダーのペアのクラスタとして表現します。 我々の実験は、異なるドメインから得られた3つのデータセットに基づいて、健全で高品質なイベントタイプを見つけることができることを示す。
  論文  参考訳（メタデータ） (2021-09-07T20:42:44Z)

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。