論文の概要: Discovering Directly-Follows Graph Model for Acyclic Processes

• arxiv url: http://arxiv.org/abs/2502.00499v1
• Date: Sat, 01 Feb 2025 17:39:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 15:00:00.126246
• Title: Discovering Directly-Follows Graph Model for Acyclic Processes
• Title（参考訳）: 非巡回過程の直接追従グラフモデル
• Authors: Nikita Shaimov, Irina Lomazova, Alexey Mitsyuk,
• Abstract要約: 本稿では,非循環プロセスのための非循環DFGモデルを発見するための新しいプロセス探索アルゴリズムを提案する。 モデルは、イベントログを非循環DFGモデルを提供する部分に分割し、サイクルの形成を避けながらそれらをマージすることによって発見される。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Process mining is the common name for a range of methods and approaches aimed at analysing and improving processes. Specifically, methods that aim to derive process models from event logs fall under the category of process discovery. Within the range of processes, acyclic processes form a distinct category. In such processes, previously performed actions are not repeated, forming chains of unique actions. However, due to differences in the order of actions, existing process discovery methods can provide models containing cycles even if a process is acyclic. This paper presents a new process discovery algorithm that allows to discover acyclic DFG models for acyclic processes. A model is discovered by partitioning an event log into parts that provide acyclic DFG models and merging them while avoiding the formation of cycles. The resulting algorithm was tested both on real-life and artificial event logs. Absence of cycles improves model visual clarity and precision, also allowing to apply cycle-sensitive methods or visualisations to the model.
• Abstract（参考訳）: プロセスマイニング(英: Process mining)は、プロセスの分析と改善を目的とした様々な手法とアプローチの一般的な名称である。 具体的には、イベントログからプロセスモデルを導出することを目的としたメソッドは、プロセス発見のカテゴリに該当する。 プロセスの範囲内では、非巡回過程は別個のカテゴリを形成する。 このようなプロセスでは、以前に実行されたアクションは繰り返されず、ユニークなアクションの連鎖を形成する。 しかしながら、アクションの順序の相違により、既存のプロセス発見手法は、プロセスが非循環である場合でも、サイクルを含むモデルを提供することができる。 本稿では,非循環プロセスのための非循環DFGモデルを発見するための新しいプロセス探索アルゴリズムを提案する。 モデルは、イベントログを非循環DFGモデルを提供する部分に分割し、サイクルの形成を避けながらそれらをマージすることによって発見される。 結果のアルゴリズムは実物と人工のイベントログの両方でテストされた。 サイクルの欠如は、モデルの視覚的明快さと精度を改善し、サイクルに敏感な方法や視覚化をモデルに適用することを可能にする。

関連論文リスト

• Stochastic Directly-Follows Process Discovery Using Grammatical Inference [8.196011179587304]
  本稿では,入力トレースに対する文法的推論を基礎とした直接追従グラフの探索手法を提案する。 実世界のデータセットに対する実験により、我々の新しいアプローチは入力トレースとその周波数を最先端技術よりも正確に表現できる小さなモデルを構築することができることを確認した。
  論文  参考訳（メタデータ） (2023-12-09T01:56:25Z)
• 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)
• Avoiding Post-Processing with Event-Based Detection in Biomedical Signals [69.34035527763916]
  学習対象としてイベントを直接扱うイベントベースのモデリングフレームワークを提案する。 イベントベースのモデリング(後処理なし)は、広範囲な後処理を伴うエポックベースのモデリングと同等以上のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2022-09-22T13:44:13Z)
• Clustering Object-Centric Event Logs [0.36748639131154304]
  本稿では,OCEL に類似したオブジェクトをクラスタリングするクラスタリング手法を提案する。 我々のアプローチは、プロセスモデルの複雑さを減らし、エンドユーザーがプロセスに対する洞察を得るのに役立つオブジェクトの一貫性のあるサブセットを生成する。
  論文  参考訳（メタデータ） (2022-07-26T09:16:39Z)
• DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG Signals [62.997667081978825]
  我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。 我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。 標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
  論文  参考訳（メタデータ） (2021-12-08T13:07:21Z)
• Process Discovery Using Graph Neural Networks [2.6381163133447836]
  本稿では,グラフニューラルネットワークを用いたMLベースモデルDのトレーニング手法を提案する。 Dは与えられた入力イベントログをサウンドペトリネットに変換する。 合成された入力ログと出力モデルのペアによるDのトレーニングにより、Dは以前に見つからなかった合成イベントログと複数の実生活イベントログを音に変換することができることを示す。
  論文  参考訳（メタデータ） (2021-09-13T10:04:34Z)
• 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)
• Process Comparison Using Object-Centric Process Cubes [69.68068088508505]
  実生活のビジネスプロセスでは、プロセス全体を複雑に解釈しがちな振る舞いが存在します。 プロセス比較は、プロセスキューブを使用して、プロセスの異なる動作を互いに分離するプロセスマイニングのブランチです。 オブジェクト中心のイベントログのスライスやダイスなどのプロセスキューブ操作をサポートするプロセスキューブフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-12T10:08:28Z)
• 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)
• Learning to predict metal deformations in hot-rolling processes [59.00006390882099]
  ホットローリング(Hot-rolling)は、入力から一連の変形を通じて断面を生成する金属成形プロセスである。 現状では、ロールの回転列と形状は、与えられた断面を達成するために必要である。 そこで本研究では,一組のロールが与えられた形状を予測するための教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2020-07-22T13:33:44Z)

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。