Fugu-MT 論文翻訳(概要): Timeline-based Process Discovery

論文の概要: Timeline-based Process Discovery

arxiv url: http://arxiv.org/abs/2401.04114v1
Date: Thu, 21 Dec 2023 23:00:45 GMT
ステータス: 処理完了
システム内更新日: 2024-01-15 09:21:28.818594
Title: Timeline-based Process Discovery
Title（参考訳）: タイムラインに基づくプロセス発見
Authors: Harleen Kaur and Jan Mendling and Christoffer Rubensson and Timotheus Kampik
Abstract要約: 本稿では,時間軸に明示的に整合したプロセスモデルを自動的に構築する手法を提案する。 2つのBPICデータセットとプロプライエタリなデータセットを用いた評価では、標準的なレイアウト手法と比較して、この表現の利点が強調されている。
参考スコア（独自算出の注目度）: 1.6303886532782983
License: http://creativecommons.org/licenses/by/4.0/
Abstract: A key concern of automatic process discovery is to provide insights into performance aspects of business processes. Waiting times are of particular importance in this context. For that reason, it is surprising that current techniques for automatic process discovery generate directly-follows graphs and comparable process models, but often miss the opportunity to explicitly represent the time axis. In this paper, we present an approach for automatically constructing process models that explicitly align with a time axis. We exemplify our approach for directly-follows graphs. Our evaluation using two BPIC datasets and a proprietary dataset highlight the benefits of this representation in comparison to standard layout techniques.
Abstract（参考訳）: 自動プロセス発見の重要な関心事は、ビジネスプロセスのパフォーマンス面に関する洞察を提供することである。この文脈では待ち時間が特に重要である。そのため、現在の自動プロセス発見技術がグラフや同等のプロセスモデルを直接追随するが、時間軸を明示的に表現する機会を逃してしまうことは驚くべきことである。本稿では,時間軸に明示的に一致するプロセスモデルを自動的に構築する手法を提案する。直接フォローグラフに対する我々のアプローチを例示する。 2つのbpicデータセットとプロプライエタリデータセットを用いた評価では,標準レイアウト手法と比較して,この表現の利点を強調する。

関連論文リスト

Instance-Aware Graph Prompt Learning [71.26108600288308]
本稿では,インスタンス対応グラフプロンプト学習(IA-GPL)について紹介する。このプロセスでは、軽量アーキテクチャを使用して各インスタンスの中間プロンプトを生成する。複数のデータセットと設定で実施された実験は、最先端のベースラインと比較して、IA-GPLの優れたパフォーマンスを示している。
論文参考訳（メタデータ） (2024-11-26T18:38:38Z)
Process-aware Human Activity Recognition [1.912429179274357]
本稿では,HARの性能向上のために,コンテキストからのプロセス情報を組み込んだ新しい手法を提案する。具体的には、機械学習モデルによって生成された確率的事象と、文脈情報から導出されるプロセスモデルとを一致させる。このアライメントは、これらの2つの情報源を適応的に重み付けし、HARの精度を最適化する。
論文参考訳（メタデータ） (2024-11-13T17:53:23Z)
Automated Knowledge Graph Learning in Industrial Processes [0.0]
本稿では,時系列データから知識グラフを自動学習するフレームワークについて紹介する。我々のフレームワークは、産業データセットに固有の複雑さに対処し、意思決定、プロセス最適化、知識発見を改善する知識グラフに変換する。
論文参考訳（メタデータ） (2024-07-02T09:47:56Z)
TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
論文参考訳（メタデータ） (2024-01-06T06:26:49Z)
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)
Learning Automata-Based Complex Event Patterns in Answer Set Programming [0.30458514384586405]
本稿では,過渡応答条件をASP(Answer Set Programming)ルールで定義するオートマトン群を提案する。我々は、ASPにおけるこのような学習アプローチと、そのインクリメンタルバージョンを示し、効率性のために最適性を交換し、大規模なデータセットにスケールすることができる。我々は2つのCERデータセットに対するアプローチを評価し、それを最先端のオートマトン学習技術と比較し、経験的に優れた性能を示す。
論文参考訳（メタデータ） (2022-08-31T12:40:44Z)
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)
Temporal Knowledge Graph Reasoning with Low-rank and Model-agnostic Representations [1.8262547855491458]
低ランクテンソル分解モデル LowFER のパラメータ効率および時間認識拡張系である Time-LowFER を導入する。時間を表現するための現在のアプローチのいくつかの制限に留意し、時間特徴に対するサイクル対応の時間符号化方式を提案する。我々は,時間に敏感なデータ処理に着目した統合時間知識グラフ埋め込みフレームワークに本手法を実装した。
論文参考訳（メタデータ） (2022-04-10T22:24:11Z)
Automated Machine Learning Techniques for Data Streams [91.3755431537592]
本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
論文参考訳（メタデータ） (2021-06-14T11:42:46Z)
Visualising Deep Network's Time-Series Representations [93.73198973454944]
機械学習モデルの普及にもかかわらず、多くの場合、モデルの内部で起きていることに関する洞察のないブラックボックスとして運用される。本稿では,多次元時系列データの可視化に着目し,この問題に対処する手法を提案する。高周波在庫市場データセットの実験は、この方法が迅速かつ識別可能な可視化を提供することを示しています。
論文参考訳（メタデータ） (2021-03-12T09:53:34Z)
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)

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。