論文の概要: eST$^2$ Miner -- Process Discovery Based on Firing Partial Orders

• arxiv url: http://arxiv.org/abs/2504.08372v1
• Date: Fri, 11 Apr 2025 09:16:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-14 14:17:21.034750
• Title: eST$^2$ Miner -- Process Discovery Based on Firing Partial Orders
• Title（参考訳）: eST$^2$ Miner -- 部分順序を満たすプロセスディスカバリ
• Authors: Sabine Folz-Weinstein, Christian Rennert, Lisa Luise Mannel, Robin Bergenthum, Wil van der Aalst,
• Abstract要約: 部分順序入力を処理可能なプロセス探索アルゴリズムであるeST$2$ Minerを導入する。 eST$2$ Minerは、強力な正式な保証を提供し、優れたランタイムと優れた空間複雑性を提供し、したがって、現実のアプリケーションで使用することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Process discovery generates process models from event logs. Traditionally, an event log is defined as a multiset of traces, where each trace is a sequence of events. The total order of the events in a sequential trace is typically based on their temporal occurrence. However, real-life processes are partially ordered by nature. Different activities can occur in different parts of the process and, thus, independently of each other. Therefore, the temporal total order of events does not necessarily reflect their causal order, as also causally unrelated events may be ordered in time. Only partial orders allow to express concurrency, duration, overlap, and uncertainty of events. Consequently, there is a growing need for process mining algorithms that can directly handle partially ordered input. In this paper, we combine two well-established and efficient algorithms, the eST Miner from the process mining community and the Firing LPO algorithm from the Petri net community, to introduce the eST$^2$ Miner. The eST$^2$ Miner is a process discovery algorithm that can directly handle partially ordered input, gives strong formal guarantees, offers good runtime and excellent space complexity, and can, thus, be used in real-life applications.
• Abstract（参考訳）: プロセスディスカバリは、イベントログからプロセスモデルを生成する。 伝統的に、イベントログはトレースのマルチセットとして定義され、各トレースはイベントのシーケンスである。 シーケンシャルトレースにおける事象の総順序は、典型的にはその時間的発生に基づいている。 しかし、現実の過程は自然によって部分的に順序付けられている。 異なる活動はプロセスの異なる部分で起こり、したがって互いに独立して起こる。 したがって、イベントの時間的総順序は必ずしもその因果順序を反映するわけではなく、因果関係のないイベントも時間内に順序付けされる可能性がある。 部分的な順序だけがイベントの並行性、持続時間、重複、不確実性を表現できる。 その結果、部分的に順序付けられた入力を直接処理できるプロセスマイニングアルゴリズムの必要性が高まっている。 本稿では,プロセスマイニングコミュニティのeST Minerと,ペトリネットコミュニティのFiring LPOアルゴリズムを組み合わせたeST$2$ Minerを提案する。 eST$^2$ Minerはプロセス発見アルゴリズムであり、部分的に順序づけられた入力を直接処理し、強い形式的な保証を与え、優れたランタイムと空間の複雑さを提供し、したがって実際のアプリケーションで使用することができる。

関連論文リスト

• Detecting Anomalous Events in Object-centric Business Processes via Graph Neural Networks [55.583478485027]
  本研究では,ビジネスプロセスにおける異常検出のための新しいフレームワークを提案する。 まず、属性グラフとしてオブジェクト中心のイベントログのプロセス依存性を再構築する。 次に、異常事象を検出するために、グラフ畳み込みオートエンコーダアーキテクチャを用いる。
  論文  参考訳（メタデータ） (2024-02-14T14:17:56Z)
• Discovering Utility-driven Interval Rules [35.917665876992416]
  高ユーティリティシーケンシャルルールマイニング(英: High-utility Sequence Rule mining、HUSRM)は、シーケンス内のイベント間の関連を明らかにする知識発見手法である。 本研究では,実効性駆動型インターバルルールマイニング(UIRMiner)アルゴリズムを提案し,このインターバルイベントシーケンスデータベースから全実用性駆動型インターバルルール(UIR)を抽出する。
  論文  参考訳（メタデータ） (2023-09-28T01:57:40Z)
• Totally-ordered Sequential Rules for Utility Maximization [49.57003933142011]
  提案するアルゴリズムはTotalSRとTotalSR+である。 TotalSRは、先行するサポートを効率的に計算できるユーティリティテーブルと、残りのユーティリティをシーケンスのO(1)時間で計算できるユーティリティプレフィックスの和リストを作成する。 実データと合成データの両方において、TotalSRはプルーニング戦略の少ないアルゴリズムよりもはるかに効率的であることを示す実験結果が多数存在する。
  論文  参考訳（メタデータ） (2022-09-27T16:17:58Z)
• TaSPM: Targeted Sequential Pattern Mining [53.234101208024335]
  本稿では,高速CM-SPAMアルゴリズムに基づく汎用フレームワークTaSPMを提案する。 また,マイニングプロセスにおける無意味な操作を減らすために,いくつかのプルーニング戦略を提案する。 実験の結果,新たなターゲットマイニングアルゴリズムであるTaSPMは実行時間を短縮し,メモリ消費を低減できることがわかった。
  論文  参考訳（メタデータ） (2022-02-26T17:49:47Z)
• Learning Temporal Rules from Noisy Timeseries Data [72.93572292157593]
  我々は、ノイズのある時間的データ設定内で複合イベントにつながる基礎となる原子イベントとその関係を明らかにすることに注力する。 本稿では、まず原子イベント間の暗黙的な時間的関係を学習し、その後、制御のための論理規則を引き上げるニューラル時間論理プログラミング(Neural Temporal Logic Programming:Neural TLP)を提案する。
  論文  参考訳（メタデータ） (2022-02-11T01:29:02Z)
• What Averages Do Not Tell -- Predicting Real Life Processes with Sequential Deep Learning [0.1376408511310322]
  プロセスマイニング(Process Mining)は、システムによってログされた実行データからビジネスプロセスに関する洞察を発見すること。 多くのディープラーニング技術が、プロセス結果の予測を目的とした予測プロセスマイニングに成功している。 プロセスマイニングのトレースはマルチモーダルシーケンスであり、自然言語の文や画像とは全く異なる構造である。
  論文  参考訳（メタデータ） (2021-10-19T19:45:05Z)
• 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)
• Efficient Conformance Checking using Approximate Alignment Computation with Tandem Repeats [0.03222802562733786]
  コンフォーマンスチェックは、期待されるプロセスの振る舞いをキャプチャするプロセスモデルと、観測された振る舞いを記録する対応するイベントログの違いを発見し、記述することを目的としている。 アライメントは、イベントログ内のトレースと、対応するプロセスモデルの最も近い実行トレースの間の距離を計算するための確立されたテクニックである。 本稿では,前処理と後処理を併用してトレースの長さを圧縮し,アライメントコストを再計算する手法を提案する。
  論文  参考訳（メタデータ） (2020-04-02T03:50:32Z)

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。