論文の概要: Directly Follows Graphs Go Predictive Process Monitoring With Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2503.03197v1
• Date: Wed, 05 Mar 2025 05:30:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-06 15:53:19.779670
• Title: Directly Follows Graphs Go Predictive Process Monitoring With Graph Neural Networks
• Title（参考訳）: グラフをフォローして予測プロセスのモニタリングをグラフニューラルネットワークで行う
• Authors: Attila Lischka, Simon Rauch, Oliver Stritzel,
• Abstract要約: 本研究では,予測プロセス監視(PPM)の代替手法について検討する。 各プロセスをDFG(Direct-Follows-graph)表現に変換することで,予測タスクにグラフニューラルネットワーク(GNN)を適用することが可能になる。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: In the past years, predictive process monitoring (PPM) techniques based on artificial neural networks have evolved as a method to monitor the future behavior of business processes. Existing approaches mostly focus on interpreting the processes as sequences, so-called traces, and feeding them to neural architectures designed to operate on sequential data such as recurrent neural networks (RNNs) or transformers. In this study, we investigate an alternative way to perform PPM: by transforming each process in its directly-follows-graph (DFG) representation we are able to apply graph neural networks (GNNs) for the prediction tasks. By this, we aim to develop models that are more suitable for complex processes that are long and contain an abundance of loops. In particular, we present different ways to create DFG representations depending on the particular GNN we use. The tested GNNs range from classical node-based to novel edge-based architectures. Further, we investigate the possibility of using multi-graphs. By these steps, we aim to design graph representations that minimize the information loss when transforming traces into graphs.
• Abstract（参考訳）: 近年,ニューラルネットワークに基づく予測プロセスモニタリング(PPM)技術は,ビジネスプロセスの今後の挙動をモニタリングする手法として発展してきた。 既存のアプローチは主に、プロセスをシーケンス、いわゆるトレースとして解釈し、リカレントニューラルネットワーク(RNN)やトランスフォーマーなどのシーケンシャルなデータを操作するように設計されたニューラルネットワークに供給することに焦点を当てている。 本研究では,PPMの代替手法として,各プロセスを直接フォローグラフ(DFG)表現に変換することで,予測タスクにグラフニューラルネットワーク(GNN)を適用する方法を検討する。 そこで本研究では,ループを多量に含む複雑なプロセスに適したモデルを開発することを目的とする。 特に、使用する特定のGNNに依存してDFG表現を作成するさまざまな方法を提示します。 テスト対象のGNNは、古典的なノードベースから新しいエッジベースアーキテクチャまで様々である。 さらに,マルチグラフの利用の可能性についても検討する。 これらのステップにより、トレースをグラフに変換する際の情報損失を最小限に抑えるグラフ表現を設計することを目指している。

関連論文リスト

• Graph Sequential Neural ODE Process for Link Prediction on Dynamic and Sparse Graphs [33.294977897987685]
  動的グラフ上のリンク予測は、グラフマイニングにおいて重要な課題である。 動的グラフニューラルネットワーク(DGNN)に基づく既存のアプローチは通常、かなりの量の履歴データを必要とする。 グラフシークエンシャルニューラルネットワークプロセス(GSNOP)と呼ばれる,ニューラルプロセスに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-11-15T23:21:02Z)
• Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
  グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。 GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。 提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
  論文  参考訳（メタデータ） (2022-03-03T09:53:53Z)
• Embedding Graph Convolutional Networks in Recurrent Neural Networks for Predictive Monitoring [0.0]
  本稿では,グラフ畳み込みネットワークとリカレントニューラルネットワークに基づくアプローチを提案する。 実生活のイベントログを実験的に評価したところ、我々のアプローチはより一貫性があり、最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2021-12-17T17:30:30Z)
• Adaptive Filters in Graph Convolutional Neural Networks [0.0]
  グラフニューラルネットワーク(GNN)は,グラフ構造化データ処理の可能性から注目されている。 本稿では,グラフ上で空間畳み込みを行う手法を提案する入力に対して,ConvGNNの振る舞いを適応させる新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-05-21T14:36:39Z)
• Variational models for signal processing with Graph Neural Networks [3.5939555573102853]
  本稿では,ニューラルネットワークを用いた点雲の信号処理について述べる。 本研究では,このようなグラフニューラルネットワークの変分モデルを用いて,教師なし学習のためのグラフ上の信号を処理する方法を検討する。
  論文  参考訳（メタデータ） (2021-03-30T13:31:11Z)
• Overcoming Catastrophic Forgetting in Graph Neural Networks [50.900153089330175]
  破滅的な忘れは、ニューラルネットワークが新しいタスクを学ぶ前に学んだ知識を「忘れる」傾向を指します。 本稿では,この問題を克服し,グラフニューラルネットワーク(GNN)における継続学習を強化するための新しいスキームを提案する。 私たちのアプローチの中心には、トポロジ認識重量保存(TWP)と呼ばれる汎用モジュールがあります。
  論文  参考訳（メタデータ） (2020-12-10T22:30:25Z)
• A Unified View on Graph Neural Networks as Graph Signal Denoising [49.980783124401555]
  グラフニューラルネットワーク(GNN)は,グラフ構造化データの学習表現において顕著に普及している。 本研究では,代表的GNNモデル群における集約過程を,グラフ記述問題の解法とみなすことができることを数学的に確立する。 UGNNから派生した新しいGNNモデルADA-UGNNをインスタンス化し、ノード間の適応的滑らかさでグラフを処理する。
  論文  参考訳（メタデータ） (2020-10-05T04:57:18Z)
• GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
  グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。 自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。 3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-06-17T16:18:35Z)
• Binarized Graph Neural Network [65.20589262811677]
  我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。 提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。 実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
  論文  参考訳（メタデータ） (2020-04-19T09:43:14Z)
• Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph Neural Networks [183.97265247061847]
  我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。 GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。 また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
  論文  参考訳（メタデータ） (2020-03-08T13:02:15Z)

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。