論文の概要: Detecting Undesired Process Behavior by Means of Retrieval Augmented Generation

• arxiv url: http://arxiv.org/abs/2505.22041v1
• Date: Wed, 28 May 2025 07:03:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-29 17:35:50.460425
• Title: Detecting Undesired Process Behavior by Means of Retrieval Augmented Generation
• Title（参考訳）: 検索付加生成による不要なプロセス挙動の検出
• Authors: Michael Grohs, Adrian Rebmann, Jana-Rebecca Rehse,
• Abstract要約: 本稿では,プロセスモデル専用のプロセスモデルや,望ましくないプロセスの振る舞いを検出するためのリソース集約的な微調整を必要としないアプローチを提案する。 代わりに、リトリーバル拡張生成(RAG)を使用して、知識ベースに直接アクセス可能なLLMを提供します。 提案手法は, 望ましくない動作を検出する上で, 微調整LDMよりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 0.5461938536945723
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conformance checking techniques detect undesired process behavior by comparing process executions that are recorded in event logs to desired behavior that is captured in a dedicated process model. If such models are not available, conformance checking techniques are not applicable, but organizations might still be interested in detecting undesired behavior in their processes. To enable this, existing approaches use Large Language Models (LLMs), assuming that they can learn to distinguish desired from undesired behavior through fine-tuning. However, fine-tuning is highly resource-intensive and the fine-tuned LLMs often do not generalize well. To address these limitations, we propose an approach that requires neither a dedicated process model nor resource-intensive fine-tuning to detect undesired process behavior. Instead, we use Retrieval Augmented Generation (RAG) to provide an LLM with direct access to a knowledge base that contains both desired and undesired process behavior from other processes, assuming that the LLM can transfer this knowledge to the process at hand. Our evaluation shows that our approach outperforms fine-tuned LLMs in detecting undesired behavior, demonstrating that RAG is a viable alternative to resource-intensive fine-tuning, particularly when enriched with relevant context from the event log, such as frequent traces and activities.
• Abstract（参考訳）: コンパタンスチェック技術は、イベントログに記録されたプロセスの実行と、専用のプロセスモデルでキャプチャされた望ましい振る舞いを比較することで、望ましくないプロセスの振る舞いを検出する。 そのようなモデルが利用できない場合、適合性チェック技術は適用できないが、組織はいまだに彼らのプロセスで望ましくない振る舞いを検出することに興味を持っているかもしれない。 これを実現するために、既存のアプローチでは、望ましくない振る舞いと望ましくない振る舞いを微調整によって区別することを学ぶことができると仮定して、LLM(Large Language Models)を使用している。 しかし、微調整は非常に資源集約的であり、微調整LDMはよく一般化されないことが多い。 これらの制約に対処するため,本研究では,専用プロセスモデルもリソース集約的な微調整も必要とせず,望ましくないプロセスの振る舞いを検出するアプローチを提案する。 代わりに、我々は、検索拡張生成(RAG)を使用して、他のプロセスから望まれるプロセスの振る舞いと望ましくないプロセスの振る舞いの両方を含む知識ベースに直接アクセスするLLMを提供する。 提案手法は,資源集約的な微調整の代替として,特に頻繁なトレースやアクティビティなどのイベントログから関連するコンテキストに富む場合において,RAGが有効な代替手段であることを示す。

関連論文リスト

• Detecting Knowledge Boundary of Vision Large Language Models by Sampling-Based Inference [78.08901120841833]
  視覚大言語モデル(VLLM)の知識境界を検出する手法を提案する。 本稿では,VLLMの知識境界の表現に成功し,性能の維持や改善を図りながら不差別な検索を抑えることができることを示す。
  論文  参考訳（メタデータ） (2025-02-25T09:32:08Z)
• Tractable Offline Learning of Regular Decision Processes [50.11277112628193]
  この研究は、正則決定過程(RDP)と呼ばれる非マルコフ環境のクラスにおけるオフライン強化学習(RL)を研究する。 インスは、未来の観測と過去の相互作用からの報酬の未知の依存を実験的に捉えることができる。 多くのアルゴリズムは、まずこの未知の依存関係を自動学習技術を用いて再構築する。
  論文  参考訳（メタデータ） (2024-09-04T14:26:58Z)
• Mining Constraints from Reference Process Models for Detecting Best-Practice Violations in Event Log [1.389948527681755]
  本稿では,参照モデルコレクションから宣言的ベストプラクティス制約をマイニングするためのフレームワークを提案する。 本稿では,実世界のプロセスモデルコレクションとイベントログに基づく評価により,ベストプラクティス違反を検出するフレームワークの能力を実証する。
  論文  参考訳（メタデータ） (2024-07-02T15:05:37Z)
• Adaptive Retention & Correction: Test-Time Training for Continual Learning [114.5656325514408]
  連続学習における一般的な問題は、最新のタスクに対する分類層のバイアスである。 アダプティブ・リテンション・アンド・コレクション (ARC) のアプローチを例に挙げる。 ARCはCIFAR-100とImagenet-Rのデータセットで平均2.7%と2.6%のパフォーマンス向上を達成した。
  論文  参考訳（メタデータ） (2024-05-23T08:43:09Z)
• Using Reinforcement Learning to Optimize Responses in Care Processes: A Case Study on Aggression Incidents [0.8158530638728501]
  ケアプロセスからイベントデータを用いてマルコフ決定プロセスのトレーニングを行う。 目標は、顧客が何らかの攻撃的な行動を見せているとき、スタッフに最適なポリシーを見つけることである。 その結果、これらのアルゴリズムから導出されたポリシーは、現在使われている最も頻繁なアクションと類似していることが判明した。
  論文  参考訳（メタデータ） (2023-10-02T08:43:29Z)
• CAPE: Corrective Actions from Precondition Errors using Large Language Models [8.547766794082184]
  本研究では,計画中の条件誤差を解決するための修正行動を提案する新しい手法を提案する。 CAPEは、アクション前提条件からの少数ショット推論を活用することにより、生成されたプランの品質を改善する。 そこでCAPEはSayCanに比べて76.49%の精度でタスク計画の正しさを向上する。
  論文  参考訳（メタデータ） (2022-11-17T23:14:51Z)
• Detecting Surprising Situations in Event Data [0.45119235878273]
  既存の研究では、望ましくない結果が発生する問題のあるプロセスインスタンスの集合が事前に知られており、容易に検出できると仮定される。 我々は,プロセス拡張領域を文脈に敏感な異常/異常検出問題として定式化する。 プロセスのパフォーマンス/アウトカムが期待と大きく異なる状況の特徴付けを目指しています。
  論文  参考訳（メタデータ） (2022-08-29T11:33:58Z)
• A Monitoring and Discovery Approach for Declarative Processes Based on Streams [0.0]
  本稿では,イベントストリームから宣言的過程を動的条件応答(DCR)グラフとして抽出する発見アルゴリズムを提案する。 ストリームはプロセスの時間的表現を生成するために監視され、後に宣言的モデルを生成するために処理される。
  論文  参考訳（メタデータ） (2022-08-10T14:25:35Z)
• DEALIO: Data-Efficient Adversarial Learning for Imitation from Observation [57.358212277226315]
  観察ifoからの模倣学習において、学習エージェントは、実演者の生成した制御信号にアクセスせずに、実演行動の観察のみを用いて実演エージェントを模倣しようとする。 近年、逆模倣学習に基づく手法は、ifO問題に対する最先端のパフォーマンスをもたらすが、データ非効率でモデルなしの強化学習アルゴリズムに依存するため、サンプルの複雑さに悩まされることが多い。 この問題は、サンプルの収集が時間、エネルギー、およびリスクの面で高いコストを被る可能性がある現実世界の設定に展開することは非現実的です。 よりデータ効率の高いifOアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-31T23:46:32Z)

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。