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

• Multi-Output Distributional Fairness via Post-Processing [47.94071156898198]
  本稿では,タスクに依存しない公平度尺度である分散パリティを高めるために,マルチ出力モデルに対する後処理手法を提案する。 提案手法では, モデル出力を実験的なワッサーシュタインバリセンタへ移動させるため, 最適トランスポートマッピングを用いる。
  論文  参考訳（メタデータ） (2024-08-31T22:41:26Z)
• Sparse Variational Student-t Processes [8.46450148172407]
  学生Tプロセスは、重い尾の分布とデータセットをアウトリーチでモデル化するために使用される。 本研究では,学生プロセスが現実のデータセットに対してより柔軟になるためのスパース表現フレームワークを提案する。 UCIとKaggleの様々な合成および実世界のデータセットに対する2つの提案手法の評価を行った。
  論文  参考訳（メタデータ） (2023-12-09T12:55:20Z)
• Representation Learning via Consistent Assignment of Views over Random Partitions [0.0]
  Consistent Assignment of Views over Random Partitions (CARP) は、表現学習のための自己教師型クラスタリング手法である。 我々は、線形評価、少数ショット分類、k-NN、k-means、画像検索、コピー検出など、多くの標準プロトコルにわたる17のデータセットでCARPの表現能力を評価する。
  論文  参考訳（メタデータ） (2023-10-19T12:39:59Z)
• Impact of PolSAR pre-processing and balancing methods on complex-valued neural networks segmentation tasks [9.6556424340252]
  複素値ニューラルネットワーク(CVNN)を用いたポラリメトリック合成開口レーダ(PolSAR)のセマンティックセグメンテーションについて検討する。 6つのモデルアーキテクチャ,3つの複素値,それぞれの実等価モデルについて,両手法を徹底的に比較する。 本稿では、このギャップを減らし、全ての入力表現、モデル、データセット前処理の結果を実行するための2つの方法を提案する。
  論文  参考訳（メタデータ） (2022-10-28T12:49:43Z)
• Shapley-NAS: Discovering Operation Contribution for Neural Architecture Search [96.20505710087392]
  ニューラルアーキテクチャ探索のための演算寄与度(Shapley-NAS)を評価するためのShapley値に基づく手法を提案する。 提案手法は,光探索コストに比例して最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-06-20T14:41:49Z)
• Automated Evolutionary Approach for the Design of Composite Machine Learning Pipelines [48.7576911714538]
  提案手法は、複合機械学習パイプラインの設計を自動化することを目的としている。 パイプラインをカスタマイズ可能なグラフベースの構造で設計し、得られた結果を分析して再生する。 このアプローチのソフトウェア実装は、オープンソースフレームワークとして紹介されている。
  論文  参考訳（メタデータ） (2021-06-26T23:19:06Z)
• On Contrastive Representations of Stochastic Processes [53.21653429290478]
  プロセスの表現を学習することは、機械学習の新たな問題である。 本手法は,周期関数,3次元オブジェクト,動的プロセスの表現の学習に有効であることを示す。
  論文  参考訳（メタデータ） (2021-06-18T11:00:24Z)
• Manifold Regularized Dynamic Network Pruning [102.24146031250034]
  本稿では,全インスタンスの多様体情報をプルーンドネットワークの空間に埋め込むことにより,冗長フィルタを動的に除去する新しいパラダイムを提案する。 提案手法の有効性をいくつかのベンチマークで検証し,精度と計算コストの両面で優れた性能を示す。
  論文  参考訳（メタデータ） (2021-03-10T03:59:03Z)
• Discovering Hierarchical Processes Using Flexible Activity Trees for Event Abstraction [7.754062965937491]
  我々はFlexHMinerを提案する。FlexHMinerは、マルチレベルのインターリーブサブプロセスを持つプロセスを見つけるための3段階のアプローチである。 ドメイン知識,ランダムクラスタリング,フラットアプローチを用いて,階層モデルの品質を比較した。 以上の結果から,FlexHMinerが生成する階層型プロセスモデルは,階層性を利用していないアプローチと良好に比較できることが示唆された。
  論文  参考訳（メタデータ） (2020-10-16T10:50:41Z)
• 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。

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。