論文の概要: KRAFT -- A Knowledge-Graph-Based Resource Allocation Framework

• arxiv url: http://arxiv.org/abs/2503.21636v1
• Date: Thu, 27 Mar 2025 15:59:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-28 12:53:58.397778
• Title: KRAFT -- A Knowledge-Graph-Based Resource Allocation Framework
• Title（参考訳）: KRAFT - 知識グラフに基づくリソース割り当てフレームワーク
• Authors: Leon Bein, Niels Martin, Luise Pufahl,
• Abstract要約: 本稿では,知識グラフと推論技術を活用して資源配分決定を支援する新しい手法であるKRAFTを紹介する。 我々は,知識グラフを資源割当ソフトウェアに統合することで,進化する知識ベースに基づく適応的で透明な意思決定が可能になることを実証した。
• 参考スコア（独自算出の注目度）: 1.2289361708127877
• License:
• Abstract: Resource allocation in business process management involves assigning resources to open tasks while considering factors such as individual roles, aptitudes, case-specific characteristics, and regulatory constraints. Current information systems for resource allocation often require extensive manual effort to specify and maintain allocation rules, making them rigid and challenging to adapt. In contrast, fully automated approaches provide limited explainability, making it difficult to understand and justify allocation decisions. Knowledge graphs, which represent real-world entities and their relationships, offer a promising solution by capturing complex dependencies and enabling dynamic, context-aware resource allocation. This paper introduces KRAFT, a novel approach that leverages knowledge graphs and reasoning techniques to support resource allocation decisions. We demonstrate that integrating knowledge graphs into resource allocation software allows for adaptable and transparent decision-making based on an evolving knowledge base.
• Abstract（参考訳）: ビジネスプロセス管理におけるリソース割り当てには、個々の役割、適性、ケース固有の特性、規制制約といった要素を考慮しながら、リソースをオープンなタスクに割り当てる。 リソース割り当てのための現在の情報システムは、割り当てルールを指定および維持するために広範囲な手作業を必要とすることが多く、厳格で適応が難しい。 対照的に、完全に自動化されたアプローチは、限定的な説明可能性を提供し、割り当ての決定を理解し正当化することは困難である。 実世界のエンティティとその関係を表す知識グラフは、複雑な依存関係をキャプチャし、動的でコンテキスト対応のリソース割り当てを可能にすることで、有望なソリューションを提供する。 本稿では,知識グラフと推論技術を活用して資源配分決定を支援する新しい手法であるKRAFTを紹介する。 我々は,知識グラフを資源割当ソフトウェアに統合することで,進化する知識ベースに基づく適応的で透明な意思決定が可能になることを実証した。

関連論文リスト

• A Comprehensive Survey on Joint Resource Allocation Strategies in Federated Edge Learning [9.806901443019008]
  Federated Edge Learning (FEL)は、分散環境でのモデルトレーニングを可能にすると同時に、ユーザデータの物理的分離を利用することで、ユーザのプライバシを確保する。 IoT(Internet of Things)やSmart Earthといった複雑なアプリケーションシナリオの開発により、従来のリソース割り当てスキームは、これらの増大する計算および通信要求を効果的にサポートすることができなくなった。 本稿では,複数の資源需要が増大する中で,計算と通信の多面的課題を体系的に解決する。
  論文  参考訳（メタデータ） (2024-10-10T13:02:00Z)
• Enhancing Supply Chain Visibility with Knowledge Graphs and Large Language Models [49.898152180805454]
  本稿では,サプライチェーンの可視性を高めるために,知識グラフ(KG)と大規模言語モデル(LLM)を活用した新しいフレームワークを提案する。 我々のゼロショットLPM駆動アプローチは、様々な公共情報源からのサプライチェーン情報の抽出を自動化する。 NERとREタスクの精度が高く、複雑な多層供給ネットワークを理解する効果的なツールを提供する。
  論文  参考訳（メタデータ） (2024-08-05T17:11:29Z)
• Reinforcement Learning Approach for Integrating Compressed Contexts into Knowledge Graphs [7.091151453598395]
  本研究は、文脈を知識グラフに統合するプロセスを強化するための強化学習(RL)に基づくアプローチを提案する。 我々のDQNモデルはネットワークを関数近似器として利用し、Q値を継続的に更新してアクション値関数を推定する。 我々のRL法は、様々な標準知識グラフデータセット間で正確な文脈統合を実現する技術より優れている。
  論文  参考訳（メタデータ） (2024-04-19T02:32:43Z)
• Iterative Zero-Shot LLM Prompting for Knowledge Graph Construction [104.29108668347727]
  本稿では,最新の生成型大規模言語モデルの可能性を活用する,革新的な知識グラフ生成手法を提案する。 このアプローチは、新しい反復的なゼロショットと外部知識に依存しない戦略を含むパイプラインで伝達される。 我々は、我々の提案がスケーラブルで多目的な知識グラフ構築に適したソリューションであり、異なる新しい文脈に適用できると主張している。
  論文  参考訳（メタデータ） (2023-07-03T16:01:45Z)
• Learnability with Time-Sharing Computational Resource Concerns [65.268245109828]
  本稿では,学習理論における計算資源の影響を考慮した理論的枠組みを提案する。 このフレームワークは、入ってくるデータストリームが潜在的に無限であるようなストリーム学習に自然に適用できる。 これはまた、インテリジェントなスーパーコンピュータオペレーティングシステムの設計に対する理論的視点を提供するかもしれない。
  論文  参考訳（メタデータ） (2023-05-03T15:54:23Z)
• Gradient Imitation Reinforcement Learning for General Low-Resource Information Extraction [80.64518530825801]
  本研究では,ラベル付きデータに対する勾配降下方向を模倣するために擬似ラベル付きデータを奨励するグラディエント強化学習法(GIRL)を開発した。 GIRLを利用して、低リソース設定ですべてのIEサブタスク(エンティティ認識、関係抽出、イベント抽出)を解決します。
  論文  参考訳（メタデータ） (2022-11-11T05:37:19Z)
• Autonomous Resource Management in Construction Companies Using Deep Reinforcement Learning Based on IoT [0.0]
  本研究の目的は,Deep Reinforcement Learning(DRL)に基づく建設企業のための自動資源配分構造を提供することである。 この構造では、Data Harvesting (DH)は、分散IoT(Internet of Things)センサーデバイスから企業のプロジェクト全体からリソース情報を収集し、自律的なリソース管理アプローチを採用する。 同様に、類似したモデルを持つDouble Deep Q-Networks (DDQNs) は、目標とリソース制約のバランスをとるために、会社の構造化リソース情報に基づいて、2つの異なる割り当て状況に基づいて訓練される。
  論文  参考訳（メタデータ） (2022-08-17T05:58:02Z)
• Automatic Resource Allocation in Business Processes: A Systematic Literature Survey [0.0699049312989311]
  リソース割り当ては複雑な意思決定の問題であり、プロセスの有効性と効率に大きな影響を与えます。 研究アロケーションを自動で支援するために、幅広いアプローチが開発された。
  論文  参考訳（メタデータ） (2021-07-15T11:40:20Z)
• CoreDiag: Eliminating Redundancy in Constraint Sets [68.8204255655161]
  最小コア(最小非冗長制約集合)の決定に利用できる新しいアルゴリズムを提案する。 このアルゴリズムは、冗長性の度合いが高い分散知識工学シナリオにおいて特に有用である。 本手法の適用可能性を示すために, 商業的構成知識ベースを用いた実証的研究を実施した。
  論文  参考訳（メタデータ） (2021-02-24T09:16:10Z)
• Coordinated Online Learning for Multi-Agent Systems with Coupled Constraints and Perturbed Utility Observations [91.02019381927236]
  本研究では, 資源制約を満たすため, エージェントを安定な集団状態へ誘導する新しい手法を提案する。 提案手法は,ゲームラグランジアンの拡張によるリソース負荷に基づく分散リソース価格設定手法である。
  論文  参考訳（メタデータ） (2020-10-21T10:11:17Z)

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。