論文の概要: SNAP: Semantic Stories for Next Activity Prediction
- arxiv url: http://arxiv.org/abs/2401.15621v1
- Date: Sun, 28 Jan 2024 10:20:15 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-30 17:12:05.031957
- Title: SNAP: Semantic Stories for Next Activity Prediction
- Title（参考訳）: SNAP:次の活動予測のためのセマンティックストーリー
- Authors: Alon Oved, Segev Shlomov, Sergey Zeltyn, Nir Mashkif and Avi Yaeli
- Abstract要約: 進行中のプロセスにおける次のアクティビティを予測することは、ビジネスプロセス管理ドメインにおける最も一般的な分類タスクの1つです。
ビジネスプロセス予測のための現在の最先端AIモデルは、プロセスイベントログ内で利用可能なセマンティック情報を十分に活用していない。
本稿では,プロセス履歴イベントログから意味的文脈的ストーリを構築することで,言語基盤モデルを活用する新しいSNAP手法を提案する。
- 参考スコア（独自算出の注目度）: 4.905443342524324
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting the next activity in an ongoing process is one of the most common
classification tasks in the business process management (BPM) domain. It allows
businesses to optimize resource allocation, enhance operational efficiency, and
aids in risk mitigation and strategic decision-making. This provides a
competitive edge in the rapidly evolving confluence of BPM and AI. Existing
state-of-the-art AI models for business process prediction do not fully
capitalize on available semantic information within process event logs. As
current advanced AI-BPM systems provide semantically-richer textual data, the
need for novel adequate models grows. To address this gap, we propose the novel
SNAP method that leverages language foundation models by constructing semantic
contextual stories from the process historical event logs and using them for
the next activity prediction. We compared the SNAP algorithm with nine
state-of-the-art models on six benchmark datasets and show that SNAP
significantly outperforms them, especially for datasets with high levels of
semantic content.
- Abstract（参考訳）: 進行中のプロセスで次のアクティビティを予測することは、bpm(business process management)ドメインで最も一般的な分類タスクの1つです。
企業はリソース割り当ての最適化、運用効率の向上、リスク軽減と戦略的意思決定を支援することができる。
これは、BPMとAIの急速に進化する合流点において、競争力のあるエッジを提供します。
既存の最先端AIモデルによるビジネスプロセス予測は、プロセスイベントログ内で利用可能なセマンティック情報を完全に活用するものではない。
現在の高度なAI-BPMシステムは意味的にリッチなテキストデータを提供するため、新しい適切なモデルの必要性が高まっている。
このギャップに対処するために,プロセス履歴イベントログから意味的文脈的ストーリを構築し,それを次のアクティビティ予測に用いることで,言語基盤モデルを活用したSNAP手法を提案する。
我々は,SNAPアルゴリズムを6つのベンチマークデータセット上で9つの最先端モデルと比較し,SNAPが有意な性能を示した。
関連論文リスト
- Context is Key: A Benchmark for Forecasting with Essential Textual Information [87.3175915185287]
コンテキスト・イズ・キー (Context is Key) (CiK) は、時系列予測ベンチマークであり、様々な種類のテキストコンテキストと数値データをペアリングする。
我々は,統計モデル,時系列基礎モデル,LLMに基づく予測モデルなど,さまざまなアプローチを評価する。
実験では、文脈情報の導入の重要性を強調し、LLMに基づく予測モデルを用いた場合の驚くべき性能を示すとともに、それらの重要な欠点を明らかにした。
論文 参考訳（メタデータ） (2024-10-24T17:56:08Z) - Discovery and Simulation of Data-Aware Business Processes [0.28675177318965045]
本稿では,データ認識型BPSモデリング手法と,イベントログからデータ認識型BPSモデルを検出する手法を提案する。
結果のBPSモデルは、データ非認識のBPSモデルと比較して、プロセス実行制御フローをより密に再現する。
論文 参考訳（メタデータ） (2024-08-24T20:13:00Z) - A Large-Scale Evaluation of Speech Foundation Models [110.95827399522204]
音声処理ユニバーサルパフォーマンスベンチマーク(SUPERB)を構築し,基礎モデルパラダイムの有効性について検討する。
凍結基盤モデルを用いてSUPERBにおける音声処理タスクに対処する統合マルチタスクフレームワークを提案する。
論文 参考訳（メタデータ） (2024-04-15T00:03:16Z) - Preference Enhanced Social Influence Modeling for Network-Aware Cascade
Prediction [59.221668173521884]
本稿では,ユーザの嗜好モデルを強化することで,カスケードサイズ予測を促進する新しいフレームワークを提案する。
エンド・ツー・エンドの手法により,ユーザの情報拡散プロセスがより適応的で正確になる。
論文 参考訳（メタデータ） (2022-04-18T09:25:06Z) - Nemo: Guiding and Contextualizing Weak Supervision for Interactive Data
Programming [77.38174112525168]
私たちは、WS 学習パイプラインの全体的な生産性を、一般的な WS 監督アプローチと比較して平均20%(最大 47% のタスク)改善する、エンドツーエンドのインタラクティブなスーパービジョンシステムである Nemo を紹介します。
論文 参考訳（メタデータ） (2022-03-02T19:57:32Z) - Human Activity Recognition using Attribute-Based Neural Networks and
Context Information [61.67246055629366]
手作業におけるウェアラブルセンサデータから人間の活動認識(HAR)を考察する。
我々は、コンテキスト情報をディープニューラルネットワークベースのHARシステムに体系的に組み込む方法を示す。
提案したアーキテクチャは,最先端手法と比較してHAR性能が向上することを示す。
論文 参考訳（メタデータ） (2021-10-28T06:08:25Z) - Text-Aware Predictive Monitoring of Business Processes [0.8602553195689513]
我々は,Long Short-Term Memory(LSTM)ニューラルネットワークと自然言語モデルに基づく,新しいテキスト認識プロセス予測モデルを開発した。
提案モデルは,次のイベントのアクティビティとタイムスタンプ,結果,実行中のプロセスインスタンスのサイクル時間を予測するために,イベントデータのカテゴリ的,数値的,テキスト的属性を考慮に入れることができる。
実験により、テキストデータを含むシミュレーションおよび実世界のイベントログにおいて、テキスト認識モデルが最先端プロセス予測手法を上回ることができることを示した。
論文 参考訳（メタデータ） (2021-04-20T13:51:27Z) - ProcessTransformer: Predictive Business Process Monitoring with
Transformer Network [0.06445605125467573]
本稿では,イベントログから高レベル表現を注目ネットワークで学習するプロセストランスフォーマーを提案する。
本モデルでは,複数イベントシーケンスと対応する出力の依存関係を確立するための自己保持機構を,長期記憶に取り入れた。
論文 参考訳（メタデータ） (2021-04-01T18:58:46Z) - XNAP: Making LSTM-based Next Activity Predictions Explainable by Using
LRP [0.415623340386296]
予測ビジネスプロセス監視(Predictive Business Process Monitoring、PBPM)は、トレース実行時の次のアクティビティなどの振る舞いを予測するために設計されたテクニックのクラスである。
ディープニューラルネットワーク(DNN)を使用することで、次のアクティビティ予測のようなタスクにおいて、予測品質が向上する可能性がある。
本稿では,次の活動予測のための最初の説明可能なDNNベースのPBPM技術であるXNAPを提案する。
論文 参考訳（メタデータ） (2020-08-18T15:40:07Z) - 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) - AI Trust in business processes: The need for process-aware explanations [11.161025675113208]
ビジネスプロセス管理(BPM)の文献は、機械学習ソリューションに富んでいます。
NLPドメインを含むディープラーニングモデルは、プロセス予測に応用されている。
私たちは、BPMにAIモデルが採用されていない大きな理由は、ビジネスユーザーがリスクに逆らってAIモデルを暗黙的に信頼していないことであると断言しています。
論文 参考訳（メタデータ） (2020-01-21T13:51:36Z)
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。