論文の概要: Process Mining Embeddings: Learning Vector Representations for Petri Nets
- arxiv url: http://arxiv.org/abs/2404.17129v3
- Date: Wed, 31 Jul 2024 17:19:34 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-01 20:15:23.075172
- Title: Process Mining Embeddings: Learning Vector Representations for Petri Nets
- Title(参考訳): プロセスマイニングの埋め込み:ペトリネットのためのベクトル表現の学習
- Authors: Juan G. Colonna, Ahmed A. Fares, Márcio Duarte, Ricardo Sousa,
- Abstract要約: Doc2Vecにインスパイアされた教師なしの方法論であるPetriNet2Vecを紹介する。
このアプローチはペトリネットを埋め込みベクトルに変換し、プロセスモデルの比較、クラスタリング、分類を容易にする。
その結果,PetriNet2Vecがプロセスマイニング能力を大幅に向上させる可能性が示された。
- 参考スコア(独自算出の注目度): 0.09999629695552192
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Process Mining offers a powerful framework for uncovering, analyzing, and optimizing real-world business processes. Petri nets provide a versatile means of modeling process behavior. However, traditional methods often struggle to effectively compare complex Petri nets, hindering their potential for process enhancement. To address this challenge, we introduce PetriNet2Vec, an unsupervised methodology inspired by Doc2Vec. This approach converts Petri nets into embedding vectors, facilitating the comparison, clustering, and classification of process models. We validated our approach using the PDC Dataset, comprising 96 diverse Petri net models. The results demonstrate that PetriNet2Vec effectively captures the structural properties of process models, enabling accurate process classification and efficient process retrieval. Specifically, our findings highlight the utility of the learned embeddings in two key downstream tasks: process classification and process retrieval. In process classification, the embeddings allowed for accurate categorization of process models based on their structural properties. In process retrieval, the embeddings enabled efficient retrieval of similar process models using cosine distance. These results demonstrate the potential of PetriNet2Vec to significantly enhance process mining capabilities.
- Abstract(参考訳): プロセスマイニングは、現実世界のビジネスプロセスを発見し、分析し、最適化するための強力なフレームワークを提供する。
ペトリネットは、プロセスの振る舞いをモデリングするための多用途手段を提供する。
しかし、伝統的な手法は複雑なペトリネットを効果的に比較するのに苦労し、プロセスの強化の可能性を妨げている。
この課題に対処するために、Doc2Vecにインスパイアされた教師なしの方法論であるPetriNet2Vecを紹介します。
このアプローチはペトリネットを埋め込みベクトルに変換し、プロセスモデルの比較、クラスタリング、分類を容易にする。
96種類のペトリネットモデルからなるPDCデータセットを用いて,本手法の有効性を検証した。
その結果,PetriNet2Vecはプロセスモデルの構造特性を効果的に把握し,プロセスの正確な分類と効率的なプロセス検索を可能にした。
具体的には、プロセス分類とプロセス検索という2つの重要な下流タスクにおける学習された埋め込みの有用性を強調した。
プロセス分類において、埋め込みはプロセスモデルの構造的特性に基づいた正確な分類を可能にした。
プロセス検索において、埋め込みはコサイン距離を用いて類似したプロセスモデルの効率的な検索を可能にした。
これらの結果はペトリネット2Vecがプロセスマイニング能力を大幅に向上させる可能性を示している。
関連論文リスト
- iNNspector: Visual, Interactive Deep Model Debugging [8.997568393450768]
本研究では,ディープラーニング実験のデータ空間を構造化する概念的枠組みを提案する。
我々のフレームワークは設計の次元を捉え、このデータを探索可能かつ抽出可能にするためのメカニズムを提案する。
我々は、ディープラーニング実験の追跡を可能にし、データのインタラクティブな可視化を提供するiNNspectorシステムを提案する。
論文 参考訳(メタデータ) (2024-07-25T12:48:41Z) - Neural Clustering based Visual Representation Learning [61.72646814537163]
クラスタリングは、機械学習とデータ分析における最も古典的なアプローチの1つである。
本稿では,特徴抽出をデータから代表者を選択するプロセスとみなすクラスタリング(FEC)による特徴抽出を提案する。
FECは、個々のクラスタにピクセルをグループ化して抽象的な代表を配置し、現在の代表とピクセルの深い特徴を更新する。
論文 参考訳(メタデータ) (2024-03-26T06:04:50Z) - CodeGen2: Lessons for Training LLMs on Programming and Natural Languages [116.74407069443895]
我々はエンコーダとデコーダベースのモデルを単一のプレフィックスLMに統一する。
学習方法は,「フリーランチ」仮説の主張を考察する。
データ配信においては,混合分布と多言語学習がモデル性能に及ぼす影響について検討した。
論文 参考訳(メタデータ) (2023-05-03T17:55:25Z) - Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。
特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
論文 参考訳(メタデータ) (2023-04-04T17:54:32Z) - Evaluating Representations with Readout Model Switching [18.475866691786695]
本稿では,最小記述長(MDL)の原理を用いて評価指標を考案する。
我々は、読み出しモデルのためのハイブリッド離散および連続値モデル空間を設計し、それらの予測を組み合わせるために切替戦略を用いる。
提案手法はオンライン手法で効率的に計算でき,様々なアーキテクチャの事前学習された視覚エンコーダに対する結果を示す。
論文 参考訳(メタデータ) (2023-02-19T14:08:01Z) - Generalization Properties of Retrieval-based Models [50.35325326050263]
検索ベースの機械学習手法は、幅広い問題で成功をおさめた。
これらのモデルの約束を示す文献が増えているにもかかわらず、そのようなモデルの理論的基盤はいまだに解明されていない。
本稿では,その一般化能力を特徴付けるために,検索ベースモデルの形式的処理を行う。
論文 参考訳(メタデータ) (2022-10-06T00:33:01Z) - Visual Transformer for Task-aware Active Learning [49.903358393660724]
プールベースのアクティブラーニングのための新しいパイプラインを提案する。
提案手法は,学習中に使用可能なアンラベリング例を利用して,ラベル付き例との相関関係を推定する。
ビジュアルトランスフォーマーは、ラベル付き例と非ラベル付き例の間の非ローカルビジュアル概念依存性をモデル化する。
論文 参考訳(メタデータ) (2021-06-07T17:13:59Z) - Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。
ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。
マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
論文 参考訳(メタデータ) (2020-12-29T23:43:16Z) - Similarity of Neural Networks with Gradients [8.804507286438781]
本稿では,特徴ベクトルと勾配ベクトルの両方を利用してニューラルネットワークの表現を設計することを提案する。
提案手法はニューラルネットワークの類似性を計算するための最先端の手法を提供する。
論文 参考訳(メタデータ) (2020-03-25T17:04:10Z)
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。