論文の概要: Interactive Multi Interest Process Pattern Discovery
- arxiv url: http://arxiv.org/abs/2308.14475v1
- Date: Mon, 28 Aug 2023 10:26:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-29 14:18:58.226124
- Title: Interactive Multi Interest Process Pattern Discovery
- Title(参考訳): 対話型多利プロセスパターン発見
- Authors: Mozhgan Vazifehdoostirani, Laura Genga, Xixi Lu, Rob Verhoeven,
Hanneke van Laarhoven, Remco Dijkman
- Abstract要約: 本論文は、プロセスの成果に影響を与えるプロセスパターンを導出する、具体的な分析目標に焦点を当てている。
対話的かつ完全に自動化された設定の両方において、実世界のイベントログに対するアプローチを評価する。
- 参考スコア(独自算出の注目度): 0.9903198600681908
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Process pattern discovery methods (PPDMs) aim at identifying patterns of
interest to users. Existing PPDMs typically are unsupervised and focus on a
single dimension of interest, such as discovering frequent patterns. We present
an interactive multi interest driven framework for process pattern discovery
aimed at identifying patterns that are optimal according to a multi-dimensional
analysis goal. The proposed approach is iterative and interactive, thus taking
experts knowledge into account during the discovery process. The paper focuses
on a concrete analysis goal, i.e., deriving process patterns that affect the
process outcome. We evaluate the approach on real world event logs in both
interactive and fully automated settings. The approach extracted meaningful
patterns validated by expert knowledge in the interactive setting. Patterns
extracted in the automated settings consistently led to prediction performance
comparable to or better than patterns derived considering single interest
dimensions without requiring user defined thresholds.
- Abstract(参考訳): プロセスパターン発見法(PPDM)は,ユーザにとって関心のあるパターンを特定することを目的としている。
既存のPPDMは通常教師なしであり、頻繁なパターンの発見など、単一の関心事に焦点をあてる。
多次元分析目標に応じて最適なパターンを特定することを目的としたプロセスパターン探索のための対話型多目的フレームワークを提案する。
提案手法は反復的かつインタラクティブであり,発見過程において専門家の知識を考慮に入れる。
本論文は、プロセスの成果に影響を与えるプロセスパターンを導出する、具体的な分析目標に焦点を当てている。
実世界のイベントログに対するアプローチを,インタラクティブかつ完全に自動化された設定で評価する。
このアプローチは、対話的な環境で専門家の知識によって検証された有意義なパターンを抽出した。
自動設定で抽出されたパターンは、ユーザ定義のしきい値を必要とせずに、単一の関心次元を考慮したパターンと同等またはそれ以上の予測性能をもたらす。
関連論文リスト
- AdaFPP: Adapt-Focused Bi-Propagating Prototype Learning for Panoramic Activity Recognition [51.24321348668037]
パノラマ活動認識(PAR)は、パノラマシーンにおいて複数の人が行う多粒度行動を特定することを目的としている。
以前の方法は、トレーニングと推論において手動で注釈付き検出ボックスに依存しており、より実用的なデプロイメントを妨げる。
本研究では,パノラマ活動シーンにおける個人,グループ,グローバルな活動を共同で認識するための,適応型バイプロパゲーティング・プロトタイプ学習(AdaFPP)フレームワークを提案する。
論文 参考訳(メタデータ) (2024-05-04T01:53:22Z) - 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) - 3DMODT: Attention-Guided Affinities for Joint Detection & Tracking in 3D
Point Clouds [95.54285993019843]
本稿では,3次元点雲における複数物体の同時検出と追跡手法を提案する。
本モデルでは,複数のフレームを用いた時間情報を利用してオブジェクトを検出し,一つのネットワーク上で追跡する。
論文 参考訳(メタデータ) (2022-11-01T20:59:38Z) - Object-centric Process Predictive Analytics [0.5161531917413706]
オブジェクト指向プロセスは、あるプロセスのインスタンスが独立して実行されるのではなく、同じまたは他のプロセスの他のインスタンスと相互作用するパラダイムの実装である。
本稿では,オブジェクトの相互作用に関する情報を予測分析に組み込むアプローチを提案する。
論文 参考訳(メタデータ) (2022-03-05T18:46:10Z) - Self-Attention Neural Bag-of-Features [103.70855797025689]
我々は最近導入された2D-Attentionの上に構築し、注意学習方法論を再構築する。
本稿では,関連情報を強調した2次元目視マスクを学習する機能・時間的アテンション機構を提案する。
論文 参考訳(メタデータ) (2022-01-26T17:54:14Z) - Shared Interest: Large-Scale Visual Analysis of Model Behavior by
Measuring Human-AI Alignment [15.993648423884466]
健全性(Saliency)は、モデル出力における入力特徴の重要性を特定する技術である。
共有興味:人間の注釈付き真実と唾液度を比較するための指標のセットを提示する。
モデルの信頼性に対する信頼を急速に発展または失うために、Shared Interestがどのように使用できるかを示す。
論文 参考訳(メタデータ) (2021-07-20T02:44:39Z) - A Variational Information Bottleneck Approach to Multi-Omics Data
Integration [98.6475134630792]
本稿では,不完全な多視点観測のための深い変動情報ボトルネック (IB) 手法を提案する。
本手法は,対象物に関連のある視点内および視点間相互作用に焦点をあてるために,観測された視点の辺縁および結合表現にISBフレームワークを適用した。
実世界のデータセットの実験から、我々の手法はデータ統合から常に利益を得て、最先端のベンチマークより優れています。
論文 参考訳(メタデータ) (2021-02-05T06:05:39Z) - IDE-Net: Interactive Driving Event and Pattern Extraction from Human
Data [35.473428772961235]
本稿では,対話型イベントとパターン抽出ネットワーク(IDE-Net)を提案し,対話型イベントとパターンを自動的に抽出する。
IDE-Netは、車両軌道からイベントやパターンを直接抽出するディープラーニングフレームワークである。
インタラクションの3つの解釈可能なパターンを見つけ、ドライバーの行動表現、モデリング、理解のための洞察をもたらす。
論文 参考訳(メタデータ) (2020-11-04T16:56:12Z) - AutoOD: Automated Outlier Detection via Curiosity-guided Search and
Self-imitation Learning [72.99415402575886]
外乱検出は重要なデータマイニングの課題であり、多くの実用的応用がある。
本稿では,最適なニューラルネットワークモデルを探すことを目的とした自動外乱検出フレームワークであるAutoODを提案する。
さまざまな実世界のベンチマークデータセットに対する実験結果から、AutoODが特定したディープモデルが最高のパフォーマンスを達成することが示された。
論文 参考訳(メタデータ) (2020-06-19T18:57:51Z) - Cascaded Human-Object Interaction Recognition [175.60439054047043]
マルチステージで粗大なHOI理解のためのカスケードアーキテクチャを提案する。
各段階で、インスタンスローカライゼーションネットワークは、HOI提案を段階的に洗練し、インタラクション認識ネットワークにフィードする。
慎重に設計された人間中心の関係機能により、これらの2つのモジュールは効果的な相互作用理解に向けて協調的に機能する。
論文 参考訳(メタデータ) (2020-03-09T17:05:04Z)
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。