論文の概要: Comparing Ordering Strategies For Process Discovery Using Synthesis Rules

• arxiv url: http://arxiv.org/abs/2301.02182v1
• Date: Wed, 4 Jan 2023 16:17:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-06 14:51:44.093096
• Title: Comparing Ordering Strategies For Process Discovery Using Synthesis Rules
• Title（参考訳）: 合成規則を用いたプロセス発見のための順序付け戦略の比較
• Authors: Tsung-Hao Huang and Wil M. P. van der Aalst
• Abstract要約: プロセス発見は、観察された振る舞いからプロセスモデルを学ぶことを目的としている。 本稿では,異なる順序付け戦略が発見モデルに与える影響について検討する。
• 参考スコア（独自算出の注目度）: 0.5330240017302619
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Process discovery aims to learn process models from observed behaviors, i.e., event logs, in the information systems.The discovered models serve as the starting point for process mining techniques that are used to address performance and compliance problems. Compared to the state-of-the-art Inductive Miner, the algorithm applying synthesis rules from the free-choice net theory discovers process models with more flexible (non-block) structures while ensuring the same desirable soundness and free-choiceness properties. Moreover, recent development in this line of work shows that the discovered models have compatible quality. Following the synthesis rules, the algorithm incrementally modifies an existing process model by adding the activities in the event log one at a time. As the applications of rules are highly dependent on the existing model structure, the model quality and computation time are significantly influenced by the order of adding activities. In this paper, we investigate the effect of different ordering strategies on the discovered models (w.r.t. fitness and precision) and the computation time using real-life event data. The results show that the proposed ordering strategy can improve the quality of the resulting process models while requiring less time compared to the ordering strategy solely based on the frequency of activities.
• Abstract（参考訳）: プロセス発見は、情報システムにおける観測行動、すなわちイベントログからプロセスモデルを学ぶことを目的としており、発見されたモデルは、パフォーマンスとコンプライアンスの問題に対処するために使用されるプロセスマイニング技術の出発点となる。 最先端のインダクティブマイナーと比較して、自由選択ネット理論から合成規則を適用するアルゴリズムは、より柔軟な(非ブロック)構造を持つプロセスモデルを発見し、同じ望ましい音質と自由選択性を保証する。 さらに、この研究の最近の進展は、検出されたモデルが互換性のある品質を持つことを示している。 合成規則に従って、アルゴリズムはイベントログにアクティビティを1回ずつ追加することで、既存のプロセスモデルを段階的に修正する。 ルールの適用は既存のモデル構造に大きく依存しているため、モデルの品質と計算時間は、アクティビティの追加順序に大きく影響される。 本稿では, 実生活イベントデータを用いて, 探索モデル(例えば, 適合度や精度)と計算時間に異なる順序付け戦略が与える影響について検討する。 その結果,提案した順序付け戦略は,アクティビティの頻度のみに基づく順序付け戦略に比べて,時間を要することなく,結果のプロセスモデルの品質を向上させることができることがわかった。

関連論文リスト

• Model-Free Active Exploration in Reinforcement Learning [53.786439742572995]
  強化学習における探索問題について検討し,新しいモデルフリーソリューションを提案する。 我々の戦略は、最先端の探査アプローチよりも高速に効率的な政策を特定できる。
  論文  参考訳（メタデータ） (2024-06-30T19:00:49Z)
• 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)
• The WHY in Business Processes: Discovery of Causal Execution Dependencies [2.0811729303868005]
  プロセスアクティビティの実行間の因果関係を明らかにすることは、プロセス介入の結果を予測する重要な要素である。 この研究は、既存の因果発見アルゴリズムを活動タイミングよりも活用することにより、因果ビジネスプロセスの公開に対する体系的なアプローチを提供する。 本手法は,3つの因果パターンの文脈における2つのモデル間の相違を探索し,これらの不整合がマイニングプロセスモデル上で注釈付けされるという新たな視点を導出する。
  論文  参考訳（メタデータ） (2023-10-23T14:23:15Z)
• When to Update Your Model: Constrained Model-based Reinforcement Learning [50.74369835934703]
  モデルベースRL(MBRL)の非遅延性能保証のための新規で一般的な理論スキームを提案する。 続いて導いた境界は、モデルシフトとパフォーマンス改善の関係を明らかにします。 さらなる例では、動的に変化する探索からの学習モデルが、最終的なリターンの恩恵をもたらすことが示されている。
  論文  参考訳（メタデータ） (2022-10-15T17:57:43Z)
• 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)
• Which Model To Trust: Assessing the Influence of Models on the Performance of Reinforcement Learning Algorithms for Continuous Control Tasks [0.0]
  アルゴリズムの改善やモデルの改善による最近の進歩の程度は明らかになっていない。 モデル比較のために、一般的に採用されているモデルのセットが確立されている。 結果,モデル性能に有意な差が認められた。
  論文  参考訳（メタデータ） (2021-10-25T16:17:26Z)
• Active Learning of Markov Decision Processes using Baum-Welch algorithm (Extended) [0.0]
  本稿では,マルコフ決定過程とマルコフ連鎖を学習するためのBaum-Welchアルゴリズムを再検討し,適応する。 本研究では,本手法を最先端のツールと実証的に比較し,提案手法が正確なモデルを得るために必要な観測回数を大幅に削減できることを実証する。
  論文  参考訳（メタデータ） (2021-10-06T18:54:19Z)
• 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)
• Control as Hybrid Inference [62.997667081978825]
  本稿では、反復推論と償却推論のバランスを自然に仲介するCHIの実装について述べる。 連続的な制御ベンチマークでアルゴリズムのスケーラビリティを検証し、強力なモデルフリーおよびモデルベースラインを上回る性能を示す。
  論文  参考訳（メタデータ） (2020-07-11T19:44:09Z)
• Model-Augmented Actor-Critic: Backpropagating through Paths [81.86992776864729]
  現在のモデルに基づく強化学習アプローチでは、単に学習されたブラックボックスシミュレータとしてモデルを使用する。 その微分可能性を利用してモデルをより効果的に活用する方法を示す。
  論文  参考訳（メタデータ） (2020-05-16T19:18:10Z)

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。