論文の概要: DABL: Detecting Semantic Anomalies in Business Processes Using Large Language Models

• arxiv url: http://arxiv.org/abs/2406.15781v1
• Date: Sat, 22 Jun 2024 08:20:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-25 20:35:12.296380
• Title: DABL: Detecting Semantic Anomalies in Business Processes Using Large Language Models
• Title（参考訳）: DABL:大規模言語モデルを用いたビジネスプロセスにおける意味異常の検出
• Authors: Wei Guan, Jian Cao, Jianqi Gao, Haiyan Zhao, Shiyou Qian,
• Abstract要約: 大規模言語モデル(LLM)を用いたビジネスプロセスにおける意味異常の検出手法であるDABLを導入する。 我々は、様々なドメインから143,137個の実世界のプロセスモデルを収集し、これらのプロセスモデルのプレイアウトを通して正常なトレースを生成することにより、結果のログを用いてLlama 2を微調整する。 DABLは、与えられたプロセスの一般化能力と学習の両方の観点から、既存の最先端のセマンティックな異常検出手法を超越していることを示す。
• 参考スコア（独自算出の注目度）: 9.790772692344044
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Detecting anomalies in business processes is crucial for ensuring operational success. While many existing methods rely on statistical frequency to detect anomalies, it's important to note that infrequent behavior doesn't necessarily imply undesirability. To address this challenge, detecting anomalies from a semantic viewpoint proves to be a more effective approach. However, current semantic anomaly detection methods treat a trace (i.e., process instance) as multiple event pairs, disrupting long-distance dependencies. In this paper, we introduce DABL, a novel approach for detecting semantic anomalies in business processes using large language models (LLMs). We collect 143,137 real-world process models from various domains. By generating normal traces through the playout of these process models and simulating both ordering and exclusion anomalies, we fine-tune Llama 2 using the resulting log. Through extensive experiments, we demonstrate that DABL surpasses existing state-of-the-art semantic anomaly detection methods in terms of both generalization ability and learning of given processes. Users can directly apply DABL to detect semantic anomalies in their own datasets without the need for additional training. Furthermore, DABL offers the capability to interpret the causes of anomalies in natural language, providing valuable insights into the detected anomalies.
• Abstract（参考訳）: ビジネスプロセスの異常を検出することは、運用の成功を保証するために重要です。 多くの既存手法は異常を検出するために統計周波数に依存していますが、頻繁な振る舞いが必ずしも望ましくないというわけではないことに注意する必要があります。 この課題に対処するために、意味論的視点から異常を検出することは、より効果的なアプローチであることが証明されている。 しかし、現在のセマンティックな異常検出方法は、トレース(すなわちプロセスインスタンス)を複数のイベントペアとして扱い、長距離依存関係を乱す。 本稿では,大規模言語モデル(LLM)を用いたビジネスプロセスにおける意味異常の検出手法であるDABLを紹介する。 さまざまなドメインから143,137の現実世界のプロセスモデルを収集します。 これらのプロセスモデルのプレイアウトから通常のトレースを生成し、順序付けと排他的異常の両方をシミュレートすることで、Llama 2を微調整する。 実験により,DABLは与えられたプロセスの一般化能力と学習能力の両方の観点から,既存の最先端のセマンティックな異常検出手法を超越していることが実証された。 ユーザーはDABLを直接適用して、追加のトレーニングを必要とせずに、自身のデータセットのセマンティックな異常を検出することができる。 さらに、DABLは自然言語の異常の原因を解釈する能力を提供し、検出された異常について貴重な洞察を提供する。

関連論文リスト

• Unsupervised Anomaly Detection Using Diffusion Trend Analysis [48.19821513256158]
  本稿では, 劣化度に応じて, 復元傾向の分析により異常を検出する手法を提案する。 提案手法は,産業用異常検出のためのオープンデータセット上で検証される。
  論文  参考訳（メタデータ） (2024-07-12T01:50:07Z)
• xSemAD: Explainable Semantic Anomaly Detection in Event Logs Using Sequence-to-Sequence Models [1.6713531923053913]
  この研究は意味的異常検出のギャップに対処し、通常、異常の性質を説明することなく、異常の発生を示す。 我々はxSemADを提案する。xSemADは、シーケンス・ツー・シーケンス・モデルを用いて、純粋な識別を超越し、拡張された説明を提供するアプローチである。 実験により,本手法は既存の意味的異常検出手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-06-28T09:06:52Z)
• Anomaly Detection by Context Contrasting [57.695202846009714]
  異常検出は、標準から逸脱するサンプルを特定することに焦点を当てる。 近年の自己教師型学習の進歩は、この点において大きな可能性を秘めている。 我々はコンテキスト拡張を通じて学習するCon$を提案する。
  論文  参考訳（メタデータ） (2024-05-29T07:59:06Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Towards Interpretable Anomaly Detection via Invariant Rule Mining [2.538209532048867]
  本研究では,不変ルールマイニングによる高度に解釈可能な異常検出を追求する。 具体的には、決定木学習と相関ルールマイニングを活用して、不変ルールを自動的に生成する。 生成された不変規則は、異常検出結果の明示的な説明を提供することができるため、その後の意思決定には極めて有用である。
  論文  参考訳（メタデータ） (2022-11-24T13:03:20Z)
• Multivariate Time Series Anomaly Detection with Few Positive Samples [12.256288627540536]
  この実践的状況のニーズに対処する2つの方法を紹介する。 提案手法は, 自己回帰(AR)モデルを用いた正規動作の代表的な学習に有効である。 文献からのアプローチと比較して,効果的な性能を示す。
  論文  参考訳（メタデータ） (2022-07-02T00:58:52Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• The Analysis of Online Event Streams: Predicting the Next Activity for Anomaly Detection [0.696125353550498]
  我々は,オンラインイベント異常検出問題に対して,次世代の予測手法を用いて取り組むことを提案する。 これらの予測異常検出手法と4つの古典的教師なし異常検出手法を比較した。
  論文  参考訳（メタデータ） (2022-03-17T21:17:19Z)
• A2Log: Attentive Augmented Log Anomaly Detection [53.06341151551106]
  異常検出は、ITサービスの信頼性とサービス性にとってますます重要になる。 既存の教師なし手法は、適切な決定境界を得るために異常な例を必要とする。 我々は,異常判定と異常判定の2段階からなる教師なし異常検出手法であるA2Logを開発した。
  論文  参考訳（メタデータ） (2021-09-20T13:40:21Z)
• Toward Deep Supervised Anomaly Detection: Reinforcement Learning from Partially Labeled Anomaly Data [150.9270911031327]
  本稿では,一部のラベル付き異常事例と大規模ラベルなしデータセットを用いた異常検出の問題点について考察する。 既存の関連手法は、通常、一連の異常にまたがらない限られた異常例にのみ適合するか、ラベルのないデータから教師なしの学習を進めるかのいずれかである。 そこで本研究では,ラベル付きおよびラベルなし両方の異常の検出をエンドツーエンドに最適化する,深層強化学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2020-09-15T03:05:39Z)

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。