論文の概要: Mining a Minimal Set of Behavioral Patterns using Incremental Evaluation
- arxiv url: http://arxiv.org/abs/2402.02921v1
- Date: Mon, 5 Feb 2024 11:41:37 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-06 16:34:01.109579
- Title: Mining a Minimal Set of Behavioral Patterns using Incremental Evaluation
- Title（参考訳）: インクリメンタル評価を用いた行動パターンの最小セットのマイニング
- Authors: Mehdi Acheli, Daniela Grigori, Matthias Weidlich
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 3.16536213610547
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Process mining provides methods to analyse event logs generated by
information systems during the execution of processes. It thereby supports the
design, validation, and execution of processes in domains ranging from
healthcare, through manufacturing, to e-commerce. To explore the regularities
of flexible processes that show a large behavioral variability, it was
suggested to mine recurrent behavioral patterns that jointly describe the
underlying process. Existing approaches to behavioral pattern mining, however,
suffer from two limitations. First, they show limited scalability as
incremental computation is incorporated only in the generation of pattern
candidates, but not in the evaluation of their quality. Second, process
analysis based on mined patterns shows limited effectiveness due to an
overwhelmingly large number of patterns obtained in practical application
scenarios, many of which are redundant. In this paper, we address these
limitations to facilitate the analysis of complex, flexible processes based on
behavioral patterns. Specifically, we improve COBPAM, our initial behavioral
pattern mining algorithm, by an incremental procedure to evaluate the quality
of pattern candidates, optimizing thereby its efficiency. Targeting a more
effective use of the resulting patterns, we further propose pruning strategies
for redundant patterns and show how relations between the remaining patterns
are extracted and visualized to provide process insights. Our experiments with
diverse real-world datasets indicate a considerable reduction of the runtime
needed for pattern mining, while a qualitative assessment highlights how
relations between patterns guide the analysis of the underlying process.
- Abstract（参考訳）: プロセスマイニングは、プロセス実行中に情報システムによって生成されたイベントログを分析する方法を提供する。
これにより、医療、製造、電子商取引といった分野におけるプロセスの設計、検証、実行をサポートする。
変動が大きいフレキシブルなプロセスの規則性を探るため,その基盤となるプロセスを共同で記述する反復的な行動パターンを考察した。
しかし、既存の行動パターンマイニングのアプローチには2つの制限がある。
まず、インクリメンタルな計算はパターン候補の生成にのみ取り入れられるが、品質評価には組み込まれないため、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、実際的なアプリケーションシナリオで得られるパターンの数が圧倒的に多いため、効果が限られており、その多くが冗長である。
本稿では,これらの制約に対処し,行動パターンに基づく複雑で柔軟なプロセスの解析を容易にする。
具体的には、パターン候補の品質を評価し、その効率を最適化するインクリメンタルな手順により、最初の行動パターンマイニングアルゴリズムであるCOBPAMを改善する。
結果のパターンをより効果的に活用することを目的として、さらに冗長パターンに対するプルーニング戦略を提案し、残りのパターン間の関係を抽出して視覚化してプロセスの洞察を提供する方法を示す。
実世界の多様なデータセットを用いた実験は、パターンマイニングに必要なランタイムの大幅な削減を示し、定性的な評価は、パターン間の関係が基盤となるプロセスの分析をどのように導くかを強調している。
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) - 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) - Comparing Ordering Strategies For Process Discovery Using Synthesis
Rules [0.5330240017302619]
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。
論文 参考訳（メタデータ） (2023-01-04T16:17:52Z) - Automatic Discovery of Multi-perspective Process Model using
Reinforcement Learning [7.5989847759545155]
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。
論文 参考訳（メタデータ） (2022-11-30T02:18:29Z) - 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) - CoCoMoT: Conformance Checking of Multi-Perspective Processes via SMT
(Extended Version) [62.96267257163426]
我々はCoCoMoT(Computing Conformance Modulo Theories)フレームワークを紹介する。
まず、純粋な制御フロー設定で研究したSATベースのエンコーディングを、データ認識ケースに持ち上げる方法を示す。
次に,プロパティ保存型クラスタリングの概念に基づく新しい前処理手法を提案する。
論文 参考訳（メタデータ） (2021-03-18T20:22:50Z) - Goal-directed Generation of Discrete Structures with Conditional
Generative Models [85.51463588099556]
本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。
提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
論文 参考訳（メタデータ） (2020-10-05T20:03:13Z) - Subtask Analysis of Process Data Through a Predictive Model [5.7668512557707166]
本稿では,そのようなプロセスデータの探索的解析のための計算効率の良い手法を開発した。
新しいアプローチでは、長い個々のプロセスを短いサブプロセスのシーケンスに分割することで、複雑性の低減を実現している。
PIAAC 2012のプロセスデータを用いて、新しいアプローチでプロセスデータの探索分析がどのように行えるかを示す。
論文 参考訳（メタデータ） (2020-08-29T21:11:01Z) - 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) - A Technique for Determining Relevance Scores of Process Activities using
Graph-based Neural Networks [0.0]
本研究では,プロセス活動の関連点を評価指標として評価する手法を開発した。
このような関連性スコアでプロセスモデルに注釈を付けることは、ビジネスプロセスの問題に焦点を当てた分析を促進する。
異なる領域の4つのデータセットを用いて,本手法の予測品質を定量的に評価し,妥当性スコアの忠実性を示す。
論文 参考訳（メタデータ） (2020-08-07T12:15:30Z)
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。