論文の概要: Unlocking Non-Block-Structured Decisions: Inductive Mining with Choice Graphs

• arxiv url: http://arxiv.org/abs/2505.07052v1
• Date: Sun, 11 May 2025 16:50:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:49.184162
• Title: Unlocking Non-Block-Structured Decisions: Inductive Mining with Choice Graphs
• Title（参考訳）: 非ブロック構造決定のアンロック:選択グラフによる帰納的マイニング
• Authors: Humam Kourani, Gyunam Park, Wil M. P. van der Aalst,
• Abstract要約: 本稿では,選択グラフの導入による非ブロック構造決定処理のためのPOWLの拡張を提案する。 提案手法は,提案手法を応用し,インダクティブ・マイニング・フレームワークの品質保証を確保できるインダクティブ・マイニング・ディスカバリー・アルゴリズムである。
• 参考スコア（独自算出の注目度）: 0.1433758865948252
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Process discovery aims to automatically derive process models from event logs, enabling organizations to analyze and improve their operational processes. Inductive mining algorithms, while prioritizing soundness and efficiency through hierarchical modeling languages, often impose a strict block-structured representation. This limits their ability to accurately capture the complexities of real-world processes. While recent advancements like the Partially Ordered Workflow Language (POWL) have addressed the block-structure limitation for concurrency, a significant gap remains in effectively modeling non-block-structured decision points. In this paper, we bridge this gap by proposing an extension of POWL to handle non-block-structured decisions through the introduction of choice graphs. Choice graphs offer a structured yet flexible approach to model complex decision logic within the hierarchical framework of POWL. We present an inductive mining discovery algorithm that uses our extension and preserves the quality guarantees of the inductive mining framework. Our experimental evaluation demonstrates that the discovered models, enriched with choice graphs, more precisely represent the complex decision-making behavior found in real-world processes, without compromising the high scalability inherent in inductive mining techniques.
• 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自動的に導き、組織が運用プロセスを分析し、改善することを目的としている。 帰納的マイニングアルゴリズムは階層的モデリング言語を通して音質と効率を優先する一方で、しばしば厳密なブロック構造表現を課す。 これにより、現実世界のプロセスの複雑さを正確に捉える能力が制限される。 部分的に順序付けされたワークフロー言語(POWL)のような最近の進歩は並行性に対するブロック構造制限に対処しているが、非ブロック構造決定ポイントを効果的にモデル化する上で大きなギャップが残っている。 本稿では,選択グラフの導入によって非ブロック構造決定を処理するためにPOWLの拡張を提案することにより,このギャップを埋める。 選択グラフは、POWLの階層的なフレームワーク内で複雑な決定ロジックをモデル化するための構造的だが柔軟なアプローチを提供する。 提案手法は,提案手法を応用し,インダクティブ・マイニング・フレームワークの品質保証を確保できるインダクティブ・マイニング・ディスカバリー・アルゴリズムである。 実験により,本モデルが選択グラフに富み,実世界のプロセスで見いだされる複雑な意思決定動作を,インダクティブマイニング技術に固有の高いスケーラビリティを損なうことなく,より正確に表現できることが確認された。

関連論文リスト

• Self-Evaluation for Job-Shop Scheduling [1.3927943269211593]
  スケジューリングやルート計画といった組合せ最適化問題は、様々な産業において重要であるが、NPハードの性質から計算的に難解である。 本稿では,従来の段階的アプローチを超えて,課題のサブセットを生成し,評価する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-12T11:22:33Z)
• Entropy-Regularized Token-Level Policy Optimization for Language Agent Reinforcement [67.1393112206885]
  大規模言語モデル(LLM)は、対話的な意思決定タスクにおいてインテリジェントなエージェントとして期待されている。 本稿では,トークンレベルでのLLMの最適化に適したエントロピー拡張RL法である,エントロピー正規化トークンレベル最適化(ETPO)を導入する。 我々は,データサイエンスコード生成を多段階対話型タスクのシリーズとしてモデル化したシミュレーション環境におけるETPOの有効性を評価する。
  論文  参考訳（メタデータ） (2024-02-09T07:45:26Z)
• Mining a Minimal Set of Behavioral Patterns using Incremental Evaluation [3.16536213610547]
  行動パターンマイニングへの既存のアプローチには2つの制限がある。 まず、インクリメンタルな計算がパターン候補の生成にのみ組み込まれるため、スケーラビリティが制限される。 第二に、マイニングされたパターンに基づくプロセス分析は、実用的なアプリケーションシナリオで得られるパターンが圧倒的に多いため、限られた効果しか示さない。
  論文  参考訳（メタデータ） (2024-02-05T11:41:37Z)
• Efficient Model-Free Exploration in Low-Rank MDPs [76.87340323826945]
  低ランクマルコフ決定プロセスは、関数近似を持つRLに対して単純だが表現力のあるフレームワークを提供する。 既存のアルゴリズムは、(1)計算的に抽出可能であるか、または(2)制限的な統計的仮定に依存している。 提案手法は,低ランクMPPの探索のための最初の実証可能なサンプル効率アルゴリズムである。
  論文  参考訳（メタデータ） (2023-07-08T15:41:48Z)
• Discovering Hierarchical Process Models: an Approach Based on Events Clustering [0.0]
  本稿では,2段階のワークフローネットとして表現される階層的プロセスモデルを発見するアルゴリズムを提案する。 既存のソリューションとは異なり、我々のアルゴリズムはプロセス制御フローに制限を課さず、反復を可能にする。
  論文  参考訳（メタデータ） (2023-03-12T11:05:40Z)
• Efficient Reinforcement Learning in Block MDPs: A Model-free Representation Learning Approach [73.62265030773652]
  ブロック構造力学を用いたマルコフ決定過程における効率的な強化学習アルゴリズムであるBRIEEを提案する。 BRIEEは、潜伏状態の発見、探索、搾取を相互にインターリーブし、ほぼ最適な政策を確実に学べる。 我々は、BRIEEが最先端のBlock MDPアルゴリズムであるHOMER RLや、リッチ・オブザーブレーションの組み合わせロック問題に挑戦する経験的ベースラインよりも、より標本効率が高いことを示す。
  論文  参考訳（メタデータ） (2022-01-31T19:47:55Z)
• Counterfactual Explanations in Sequential Decision Making Under Uncertainty [27.763369810430653]
  本研究では, 逐次的意思決定プロセスにおいて, 対実的説明を求める手法を開発した。 我々の問題定式化において、反実的説明は、少なくとも k 個の作用において異なる作用の別の列を特定する。 提案アルゴリズムは,不確実性の下での意思決定の促進に有用な洞察を与えることができることを示す。
  論文  参考訳（メタデータ） (2021-07-06T17:38:19Z)
• Patterns of Cognition: Cognitive Algorithms as Galois Connections Fulfilled by Chronomorphisms On Probabilistically Typed Metagraphs [0.0]
  AGI関連アルゴリズムの幅広いクラスは、共通の形式的なフレームワークで表現できると論じられている。 例としては、OpenCog AGIフレームワークで使用されるコア認知アルゴリズムがある。
  論文  参考訳（メタデータ） (2021-02-21T10:50:40Z)
• 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)

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。