論文の概要: Online Discovery of Simulation Models for Evolving Business Processes (Extended Version)

• arxiv url: http://arxiv.org/abs/2506.10049v1
• Date: Wed, 11 Jun 2025 14:57:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 15:37:22.343524
• Title: Online Discovery of Simulation Models for Evolving Business Processes (Extended Version)
• Title（参考訳）: ビジネスプロセス進化シミュレーションモデルのオンライン発見(拡張版)
• Authors: Francesco Vinci, Gyunam Park, Wil van der Aalst, Massimiliano de Leoni,
• Abstract要約: ビジネスプロセスシミュレーション(Business Process Simulation、BPS)とは、ビジネスプロセスの動的な振る舞いを再現する技術である。 過去のイベントログからシミュレーションモデルを自動的に発見するための多くのアプローチが提案されている。 本稿では,Incremental Process Discovery と Online Machine Learning を組み合わせたストリーミングプロセスシミュレーション発見手法を提案する。
• 参考スコア（独自算出の注目度）: 1.0579965347526206
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Business Process Simulation (BPS) refers to techniques designed to replicate the dynamic behavior of a business process. Many approaches have been proposed to automatically discover simulation models from historical event logs, reducing the cost and time to manually design them. However, in dynamic business environments, organizations continuously refine their processes to enhance efficiency, reduce costs, and improve customer satisfaction. Existing techniques to process simulation discovery lack adaptability to real-time operational changes. In this paper, we propose a streaming process simulation discovery technique that integrates Incremental Process Discovery with Online Machine Learning methods. This technique prioritizes recent data while preserving historical information, ensuring adaptation to evolving process dynamics. Experiments conducted on four different event logs demonstrate the importance in simulation of giving more weight to recent data while retaining historical knowledge. Our technique not only produces more stable simulations but also exhibits robustness in handling concept drift, as highlighted in one of the use cases.
• Abstract（参考訳）: ビジネスプロセスシミュレーション(Business Process Simulation、BPS)とは、ビジネスプロセスの動的な振る舞いを再現する技術である。 過去のイベントログからシミュレーションモデルを自動的に発見し、手動で設計するコストと時間を削減するために、多くのアプローチが提案されている。 しかし、動的なビジネス環境では、効率を高め、コストを削減し、顧客満足度を向上させるために、組織は継続的にプロセスを洗練します。 シミュレーション発見をプロセスする既存の技術は、リアルタイムな運用変更への適応性に欠ける。 本稿では,Incremental Process Discovery と Online Machine Learning を組み合わせたストリーミングプロセスシミュレーション発見手法を提案する。 この技術は、履歴情報を保存しながら最近のデータを優先順位付けし、進化するプロセスダイナミクスへの適応を確実にする。 4つの異なるイベントログで行われた実験は、歴史的知識を維持しながら、最近のデータにより多くの重みを与えるシミュレーションの重要性を示している。 提案手法は, より安定なシミュレーションを実現するだけでなく, 実例の1つで強調されているように, 概念ドリフトの取り扱いにも堅牢性を示す。

関連論文リスト

• The Artificial Neural Twin -- Process Optimization and Continual Learning in Distributed Process Chains [3.79770624632814]
  本稿では,モデル予測制御,ディープラーニング,センサネットワークの概念を組み合わせた人工ニューラルツインを提案する。 我々のアプローチでは、分散プロセスのステップの状態を推定するために、微分可能なデータ融合を導入します。 相互接続されたプロセスステップを準ニューラルネットワークとして扱うことで、プロセス最適化やモデル微調整のための損失勾配をプロセスパラメータにバックプロパゲートすることができる。
  論文  参考訳（メタデータ） (2024-03-27T08:34:39Z)
• MOTO: Offline Pre-training to Online Fine-tuning for Model-based Robot Learning [52.101643259906915]
  本研究では,高次元観測による強化学習におけるオフライン事前学習とオンラインファインチューニングの問題について検討する。 既存のモデルベースオフラインRL法は高次元領域におけるオフラインからオンラインへの微調整には適していない。 本稿では,事前データをモデルベース値拡張とポリシー正則化によって効率的に再利用できるオンラインモデルベース手法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T21:04:31Z)
• Perception Imitation: Towards Synthesis-free Simulator for Autonomous Vehicles [45.27200446670184]
  本研究では,ある知覚モデルの結果をシミュレートする知覚模倣手法を提案し,データ合成を伴わない自律走行シミュレータの新たな経路について議論する。 実験により,本手法は学習に基づく知覚モデルの振る舞いをモデル化する上で有効であることが示され,提案手法のシミュレーション経路にさらにスムーズに適用可能である。
  論文  参考訳（メタデータ） (2023-04-19T01:27:02Z)
• CoSMo: a Framework to Instantiate Conditioned Process Simulation Models [1.6021728114882514]
  本稿では,ユーザの制約やアプリオリ知識の他の性質に基づいて,CoSMo(Conditioned Process Simulation Models)の発見に適した,新しいリカレントニューラルネットワークを提案する。 このアーキテクチャは、宣言型ルールを学習フェーズに組み込むことで、特定の制約に従うイベントログのシミュレーションを容易にする。
  論文  参考訳（メタデータ） (2023-03-31T08:26:18Z)
• Continual learning autoencoder training for a particle-in-cell simulation via streaming [52.77024349608834]
  今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。 この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
  論文  参考訳（メタデータ） (2022-11-09T09:55:14Z)
• Simulation-Based Parallel Training [55.41644538483948]
  このようなボトルネックを緩和するトレーニングフレームワークを設計するために、現在進行中の作業を紹介します。 トレーニングプロセスと並行してデータを生成する。 このバイアスをメモリバッファで軽減する戦略を提案する。
  論文  参考訳（メタデータ） (2022-11-08T09:31:25Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)
• Learning Accurate Business Process Simulation Models from Event Logs via Automated Process Discovery and Deep Learning [0.8164433158925593]
  データ駆動シミュレーション(DDS)メソッドは、イベントログからプロセスシミュレーションモデルを学ぶ。 ディープラーニング(DL)モデルは、このような時間的ダイナミクスを正確に捉えることができる。 本稿では,イベントログからプロセスシミュレーションモデルを学ぶためのハイブリッド手法を提案する。
  論文  参考訳（メタデータ） (2021-03-22T15:34:57Z)
• Learning to Continuously Optimize Wireless Resource In Episodically Dynamic Environment [55.91291559442884]
  この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。 本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。 我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
  論文  参考訳（メタデータ） (2020-11-16T08:24:34Z)

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。