論文の概要: GymPN: A Library for Decision-Making in Process Management Systems

• arxiv url: http://arxiv.org/abs/2506.20404v1
• Date: Wed, 25 Jun 2025 13:19:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-26 21:00:42.745333
• Title: GymPN: A Library for Decision-Making in Process Management Systems
• Title（参考訳）: GymPN: プロセス管理システムにおける意思決定のためのライブラリ
• Authors: Riccardo Lo Bianco, Willem van Jaarsveld, Remco Dijkman,
• Abstract要約: GymPNは、ビジネスプロセスにおけるタスク割り当てをサポートする以前の作業の上に構築されます。 我々は,8つの典型的なビジネスプロセス決定問題パターンについて,そのライブラリを評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Process management systems support key decisions about the way work is allocated in organizations. This includes decisions on which task to perform next, when to execute the task, and who to assign the task to. Suitable software tools are required to support these decisions in a way that is optimal for the organization. This paper presents a software library, called GymPN, that supports optimal decision-making in business processes using Deep Reinforcement Learning. GymPN builds on previous work that supports task assignment in business processes, introducing two key novelties: support for partial process observability and the ability to model multiple decisions in a business process. These novel elements address fundamental limitations of previous work and thus enable the representation of more realistic process decisions. We evaluate the library on eight typical business process decision-making problem patterns, showing that GymPN allows for easy modeling of the desired problems, as well as learning optimal decision policies.
• Abstract（参考訳）: プロセス管理システムは、組織内での作業の割り当て方法に関する重要な決定をサポートする。 これには、次に実行するタスク、いつタスクを実行するか、タスクを割り当てるタスクが決定される。 適切なソフトウェアツールは、組織に最適な方法でこれらの決定をサポートするために必要です。 本稿では,Deep Reinforcement Learning を用いたビジネスプロセスの最適意思決定を支援するソフトウェアライブラリ GymPN を提案する。 GymPNは、ビジネスプロセスにおけるタスク割り当てをサポートする以前の作業の上に構築されており、プロセスの部分的な可観測性のサポートと、ビジネスプロセスにおける複数の決定をモデル化する機能という、2つの重要な新機能を導入している。 これらの新しい要素は、以前の作業の基本的な制限に対処し、より現実的なプロセス決定の表現を可能にする。 我々は、GymPNが望ましい問題を簡単にモデル化できるだけでなく、最適な意思決定ポリシーを学習できることを示す8つの典型的なビジネスプロセス意思決定問題パターンについてライブラリを評価した。

関連論文リスト

• Flexible Process Variant Binding in Information Systems with Software Product Line Engineering [4.1966208277855745]
  プロセスモデルにおける変異を管理するための様々なアプローチが提案されている。 本稿では,コンパイル時のアクティビティ実装の選択を可能にすることで,これまでの作業を拡張する。 別の課題として、異なる組織は、デジタル化されたビジネスプロセスにおいて、異なる情報に基づいて意思決定を収集し、基盤にしたいと考えるかもしれません。
  論文  参考訳（メタデータ） (2024-10-23T09:10:42Z)
• The Foundations of Computational Management: A Systematic Approach to Task Automation for the Integration of Artificial Intelligence into Existing Workflows [55.2480439325792]
  本稿では,タスク自動化の体系的アプローチである計算管理を紹介する。 この記事では、ワークフロー内でAIを実装するプロセスを開始するための、ステップバイステップの手順を3つ紹介する。
  論文  参考訳（メタデータ） (2024-02-07T01:45:14Z)
• Extracting Process-Aware Decision Models from Object-Centric Process Data [54.04724730771216]
  本稿では,ODDA(Integrated Object-centric Decision Discovery Algorithm)と呼ばれる,オブジェクト中心決定マイニングアルゴリズムを提案する。 IODDAは意思決定の仕組みや意思決定の仕方を知ることができる。
  論文  参考訳（メタデータ） (2024-01-26T13:27:35Z)
• Optimized Task Assignment and Predictive Maintenance for Industrial Machines using Markov Decision Process [0.0]
  本稿では,タスク割り当てと条件に基づく機械の健康維持のための分散意思決定手法について考察する。 マルコフ決定プロセスに基づく意思決定エージェントの設計を提案する。
  論文  参考訳（メタデータ） (2024-01-20T12:12:14Z)
• Flexible Job Shop Scheduling via Dual Attention Network Based Reinforcement Learning [73.19312285906891]
  フレキシブルなジョブショップスケジューリング問題(FJSP)では、複数のマシンで操作を処理でき、操作とマシンの間の複雑な関係が生じる。 近年, 深層強化学習(DRL)を用いて, FJSP解決のための優先派遣規則(PDR)を学習している。 本稿では,Deep機能抽出のための自己注意モデルと,スケーラブルな意思決定のためのDRLの利点を生かした,エンドツーエンド学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-09T01:35:48Z)
• Explainable Predictive Decision Mining for Operational Support [0.3232625980782302]
  決定マイニングは、プロセスの決定ポイントにおけるプロセスインスタンスのルーティングを記述/予測することを目的としています。 意思決定マイニングの既存のテクニックは、意思決定の記述に重点を置いているが、その予測には重点を置いていない。 提案手法は, SHAP値を用いた予測決定についての説明を行い, 積極的な行動の誘発を支援する。
  論文  参考訳（メタデータ） (2022-10-30T09:27:41Z)
• Reinforcement Learning Approach for Multi-Agent Flexible Scheduling Problems [0.0]
  本研究では,スケジューリング問題に対する強化学習手法を提案する。 特に,本研究では,ジョブショップスケジューリング問題に対して,検索スペースを削減したオープンAIジム環境を提供する。
  論文  参考訳（メタデータ） (2022-10-07T16:31:01Z)
• Inverse Online Learning: Understanding Non-Stationary and Reactionary Policies [79.60322329952453]
  エージェントが意思決定を行う方法の解釈可能な表現を開発する方法を示す。 一連の軌跡に基づく意思決定プロセスを理解することにより,このオンライン学習問題に対して,政策推論問題を逆問題とみなした。 本稿では、エージェントがそれらを更新するプロセスと並行して、その影響を遡及的に推定する実用的なアルゴリズムを提案する。 UNOSの臓器提供受諾決定の分析に応用することで、我々のアプローチは意思決定プロセスを管理する要因や時間とともにどのように変化するかに、貴重な洞察をもたらすことができることを実証する。
  論文  参考訳（メタデータ） (2022-03-14T17:40:42Z)
• Modularity in Reinforcement Learning via Algorithmic Independence in Credit Assignment [79.5678820246642]
  提案手法は, 事前決定の順序に対して, スパース変化のみを必要とする伝達問題に対して, 政策段階の手法よりも, より標本効率が高いことを示す。 我々は最近提案された社会的意思決定の枠組みをマルコフ決定プロセスよりもよりきめ細かい形式主義として一般化する。
  論文  参考訳（メタデータ） (2021-06-28T21:29:13Z)
• Efficient PAC Reinforcement Learning in Regular Decision Processes [99.02383154255833]
  定期的な意思決定プロセスで強化学習を研究します。 我々の主な貢献は、最適に近いポリシーをパラメータのセットで時間内にPACを学習できることである。
  論文  参考訳（メタデータ） (2021-05-14T12:08:46Z)

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。