論文の概要: Automatic Discovery of Multi-perspective Process Model using
Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2211.16687v1
- Date: Wed, 30 Nov 2022 02:18:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-01 15:45:27.388272
- Title: Automatic Discovery of Multi-perspective Process Model using
Reinforcement Learning
- Title(参考訳): 強化学習を用いたマルチパースペクティブプロセスモデルの自動発見
- Authors: Sunghyun Sim, Ling Liu, Hyerim Bae
- Abstract要約: 深層Q-Learningに基づく多視点プロセスモデルの自動発見フレームワークを提案する。
我々のDual Experience Replay with Experience Distribution(DERED)アプローチは、プロセスモデル発見ステップ、適合チェックステップ、拡張ステップを自動的に実行できます。
ポートロジスティクス、鉄鋼製造、金融、IT、政府管理で収集された6つの実世界のイベントデータセットを用いて、我々のアプローチを検証する。
- 参考スコア(独自算出の注目度): 7.5989847759545155
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Process mining is a methodology for the derivation and analysis of process
models based on the event log. When process mining is employed to analyze
business processes, the process discovery step, the conformance checking step,
and the enhancements step are repeated. If a user wants to analyze a process
from multiple perspectives (such as activity perspectives, originator
perspectives, and time perspectives), the above procedure, inconveniently, has
to be repeated over and over again. Although past studies involving process
mining have applied detailed stepwise methodologies, no attempt has been made
to incorporate and optimize multi-perspective process mining procedures. This
paper contributes to developing a solution approach to this problem. First, we
propose an automatic discovery framework of a multi-perspective process model
based on deep Q-Learning. Our Dual Experience Replay with Experience
Distribution (DERED) approach can automatically perform process model discovery
steps, conformance check steps, and enhancements steps. Second, we propose a
new method that further optimizes the experience replay (ER) method, one of the
key algorithms of deep Q-learning, to improve the learning performance of
reinforcement learning agents. Finally, we validate our approach using six
real-world event datasets collected in port logistics, steel manufacturing,
finance, IT, and government administration. We show that our DERED approach can
provide users with multi-perspective, high-quality process models that can be
employed more conveniently for multi-perspective process mining.
- Abstract(参考訳): プロセスマイニングは、イベントログに基づいたプロセスモデルの導出と分析のための方法論である。
ビジネスプロセス分析にプロセスマイニングを用いる場合には、プロセス発見ステップ、適合確認ステップ、拡張ステップを繰り返す。
ユーザが複数の視点(アクティビティの視点、発信者の視点、時間的な視点など)からプロセスを解析したい場合、上記の手順は不都合に何度も繰り返す必要があります。
プロセスマイニングに関する過去の研究は、詳細なステップワイズ手法を適用してきたが、マルチパースペクティブなプロセスマイニング手順を取り入れて最適化する試みは行われていない。
本稿では,この問題に対する解決策の開発に寄与する。
まず,深層Q-Learningに基づく多視点プロセスモデルの自動発見フレームワークを提案する。
我々のDual Experience Replay with Experience Distribution(DERED)アプローチは、プロセスモデル発見ステップ、適合チェックステップ、拡張ステップを自動的に実行できます。
第2に,深層q学習の重要なアルゴリズムの一つであるexperience replay(er)法をさらに最適化し,強化学習エージェントの学習性能を向上させる新しい手法を提案する。
最後に、ポートロジスティクス、鉄鋼製造、金融、IT、政府管理で収集された6つの実世界のイベントデータセットを用いて、我々のアプローチを検証する。
我々は,マルチパースペクティブなプロセスマイニングをより便利に使用できるマルチパースペクティブで高品質なプロセスモデルを提供できることを示す。
関連論文リスト
- Mining a Minimal Set of Behavioral Patterns using Incremental Evaluation [3.16536213610547]
行動パターンマイニングへの既存のアプローチには2つの制限がある。
まず、インクリメンタルな計算がパターン候補の生成にのみ組み込まれるため、スケーラビリティが制限される。
第二に、マイニングされたパターンに基づくプロセス分析は、実用的なアプリケーションシナリオで得られるパターンが圧倒的に多いため、限られた効果しか示さない。
論文 参考訳(メタデータ) (2024-02-05T11:41:37Z) - Grouping Local Process Models [0.19036571490366497]
ローカルプロセスモデル(LPM)発見は、プロセスのサブ振る舞いを説明するための一連のLPMを構築しようとする。
本研究は,様々なプロセスモデル類似度尺度を用いて類似LPMをグループ化するための3段階パイプラインを提案する。
論文 参考訳(メタデータ) (2023-11-06T11:24:27Z) - Let's reward step by step: Step-Level reward model as the Navigators for
Reasoning [64.27898739929734]
Process-Supervised Reward Model (PRM)は、トレーニングフェーズ中にステップバイステップのフィードバックをLLMに提供する。
LLMの探索経路を最適化するために,PRMからのステップレベルのフィードバックを応用した欲求探索アルゴリズムを提案する。
提案手法の汎用性を探るため,コーディングタスクのステップレベル報酬データセットを自動生成する手法を開発し,コード生成タスクにおける同様の性能向上を観察する。
論文 参考訳(メタデータ) (2023-10-16T05:21:50Z) - Discovering Hierarchical Process Models: an Approach Based on Events
Clustering [0.0]
本稿では,2段階のワークフローネットとして表現される階層的プロセスモデルを発見するアルゴリズムを提案する。
既存のソリューションとは異なり、我々のアルゴリズムはプロセス制御フローに制限を課さず、反復を可能にする。
論文 参考訳(メタデータ) (2023-03-12T11:05:40Z) - Clustering Object-Centric Event Logs [0.36748639131154304]
本稿では,OCEL に類似したオブジェクトをクラスタリングするクラスタリング手法を提案する。
我々のアプローチは、プロセスモデルの複雑さを減らし、エンドユーザーがプロセスに対する洞察を得るのに役立つオブジェクトの一貫性のあるサブセットを生成する。
論文 参考訳(メタデータ) (2022-07-26T09:16:39Z) - Extending Process Discovery with Model Complexity Optimization and
Cyclic States Identification: Application to Healthcare Processes [62.997667081978825]
モデル最適化のための半自動支援を実現するプロセスマイニング手法を提案する。
所望の粒度で生モデルを抽象化するモデル単純化手法が提案されている。
医療分野の異なるアプリケーションから得られた3つのデータセットを用いて、技術的ソリューションの能力を実証することを目的としている。
論文 参考訳(メタデータ) (2022-06-10T16:20:59Z) - Multitask Adaptation by Retrospective Exploration with Learned World
Models [77.34726150561087]
本稿では,タスク非依存ストレージから取得したMBRLエージェントのトレーニングサンプルを提供するRAMaというメタ学習型アドレッシングモデルを提案する。
このモデルは、期待されるエージェントのパフォーマンスを最大化するために、ストレージから事前のタスクを解く有望な軌道を選択することで訓練される。
論文 参考訳(メタデータ) (2021-10-25T20:02:57Z) - Process discovery on deviant traces and other stranger things [6.974048370610024]
我々は、宣言的プロセスに焦点をあて、プロセス発見のあまり人気のない視点をバイナリ教師付き学習タスクとして受け入れる。
これら2つのセットから得られる価値情報を抽出し,ユーザ定義の目標に従って最適なモデルにフォーマル化する方法について,より深く検討する。
論文 参考訳(メタデータ) (2021-09-30T06:58:34Z) - On Contrastive Representations of Stochastic Processes [53.21653429290478]
プロセスの表現を学習することは、機械学習の新たな問題である。
本手法は,周期関数,3次元オブジェクト,動的プロセスの表現の学習に有効であることを示す。
論文 参考訳(メタデータ) (2021-06-18T11:00:24Z) - 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) - Subset Sampling For Progressive Neural Network Learning [106.12874293597754]
プログレッシブニューラルネットワーク学習は、ネットワークのトポロジを漸進的に構築し、トレーニングデータに基づいてパラメータを最適化するアルゴリズムのクラスである。
段階的なトレーニングステップ毎にトレーニングデータのサブセットを活用することで,このプロセスの高速化を提案する。
オブジェクト,シーン,顔の認識における実験結果から,提案手法が最適化手順を大幅に高速化することを示す。
論文 参考訳(メタデータ) (2020-02-17T18:57:33Z)
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。