論文の概要: Efficient Conformance Checking of Rich Data-Aware Declare Specifications (Extended)

• arxiv url: http://arxiv.org/abs/2507.00094v1
• Date: Mon, 30 Jun 2025 10:16:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:22:58.430614
• Title: Efficient Conformance Checking of Rich Data-Aware Declare Specifications (Extended)
• Title（参考訳）: リッチデータ認識Declare仕様の効率的な整合性チェック(拡張)
• Authors: Jacobo Casas-Ramos, Sarah Winkler, Alessandro Gianola, Marco Montali, Manuel Mucientes, Manuel Lama,
• Abstract要約: 一般的なデータ型やデータ条件とリッチな設定で,データを考慮した最適アライメントを計算可能であることを示す。 これは、制御フローとデータ依存関係を扱うために、よく知られた2つのアプローチを慎重に組み合わせることで達成される。
• 参考スコア（独自算出の注目度）: 49.46686813437884
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Despite growing interest in process analysis and mining for data-aware specifications, alignment-based conformance checking for declarative process models has focused on pure control-flow specifications, or mild data-aware extensions limited to numerical data and variable-to-constant comparisons. This is not surprising: finding alignments is computationally hard, even more so in the presence of data dependencies. In this paper, we challenge this problem in the case where the reference model is captured using data-aware Declare with general data types and data conditions. We show that, unexpectedly, it is possible to compute data-aware optimal alignments in this rich setting, enjoying at once efficiency and expressiveness. This is achieved by carefully combining the two best-known approaches to deal with control flow and data dependencies when computing alignments, namely A* search and SMT solving. Specifically, we introduce a novel algorithmic technique that efficiently explores the search space, generating descendant states through the application of repair actions aiming at incrementally resolving constraint violations. We prove the correctness of our algorithm and experimentally show its efficiency. The evaluation witnesses that our approach matches or surpasses the performance of the state of the art while also supporting significantly more expressive data dependencies, showcasing its potential to support real-world applications.
• Abstract（参考訳）: データ対応仕様のプロセス分析とマイニングへの関心が高まっているにもかかわらず、宣言型プロセスモデルのアライメントベースの適合性チェックは、純粋な制御フロー仕様、あるいは数値データと変数間比較に限定した軽度なデータ対応拡張に焦点を当てている。 さらにデータ依存の存在下では、アライメントの発見が計算的に難しいのです。 本稿では,一般的なデータ型とデータ条件を持つデータ認識宣言を用いて参照モデルをキャプチャする場合に,この問題に対処する。 意外なことに、このリッチな設定でデータ認識の最適アライメントを計算し、一度に効率と表現性を楽しむことが可能であることを示す。 これは、制御フローとデータ依存関係を扱うための2つのよく知られたアプローチ、すなわちA*検索とSMT解決を慎重に組み合わせることによって達成される。 具体的には、探索空間を効率的に探索し、制約違反を漸進的に解決することを目的とした補修行動の適用により、子孫状態を生成する新しいアルゴリズム手法を提案する。 我々はアルゴリズムの正しさを証明し、その効率を実験的に示す。 評価では、我々のアプローチが最先端のパフォーマンスと一致しているか、上回っているのを目撃し、さらに表現力のあるデータ依存をサポートし、現実世界のアプリケーションをサポートする可能性を示している。

関連論文リスト

• Conformance Checking for Less: Efficient Conformance Checking for Long Event Sequences [3.3170150440851485]
  ConLESは、長いイベントシーケンスのスライディングウィンドウ適合性チェックアプローチである。 トレースを管理可能なサブトレースに分割し、それぞれが期待する振る舞いと整合する。 トレースとプロセスモデルの両方の構造特性をキャプチャするグローバル情報を使用します。
  論文  参考訳（メタデータ） (2025-03-09T16:42:59Z)
• Conformal Validity Guarantees Exist for Any Data Distribution (and How to Find Them) [14.396431159723297]
  理論上,共形予測はテキスト共同データ分布に拡張可能であることを示す。 最も一般的なケースは計算に実用的でないが、具体的には特定の共形アルゴリズムを導出するための手順を概説する。
  論文  参考訳（メタデータ） (2024-05-10T17:40:24Z)
• $\ exttt{causalAssembly}$: Generating Realistic Production Data for Benchmarking Causal Discovery [1.3048920509133808]
  我々は、因果探索手法のベンチマークをサポートする半合成製造データを生成するシステムを構築した。 我々は、柔軟に推定し、条件分布を表すために分布ランダムな森林を用いる。 このライブラリを用いて、よく知られた因果探索アルゴリズムをベンチマークする方法を示す。
  論文  参考訳（メタデータ） (2023-06-19T10:05:54Z)
• LAVA: Data Valuation without Pre-Specified Learning Algorithms [20.578106028270607]
  我々は、下流学習アルゴリズムに不利な方法でトレーニングデータを評価できる新しいフレームワークを導入する。 本研究では,訓練と検証セット間の非伝統的なクラスワイドワッサースタイン距離に基づいて,トレーニングセットに関連する検証性能のプロキシを開発する。 距離は、特定のリプシッツ条件下での任意のモデルに対する検証性能の上限を特徴付けることを示す。
  論文  参考訳（メタデータ） (2023-04-28T19:05:16Z)
• Automatic Data Augmentation via Invariance-Constrained Learning [94.27081585149836]
  下位のデータ構造は、しばしば学習タスクのソリューションを改善するために利用される。 データ拡張は、入力データに複数の変換を適用することで、トレーニング中にこれらの対称性を誘導する。 この作業は、学習タスクを解決しながらデータ拡張を自動的に適応することで、これらの問題に対処する。
  論文  参考訳（メタデータ） (2022-09-29T18:11:01Z)
• Soundness of Data-Aware Processes with Arithmetic Conditions [8.914271888521652]
  データペトリネット(DPN)は、単純さと表現性のバランスをとる能力によって、人気が高まっている。 データと制御フローの相互作用は、そのようなモデルの正しさ、特に音の良さ、決定的かつ困難さの確認を可能にする。 算術データ条件に富んだDPNの音質を評価するための枠組みを提供する。
  論文  参考訳（メタデータ） (2022-03-28T14:46:10Z)
• 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)
• Correlation-wise Smoothing: Lightweight Knowledge Extraction for HPC Monitoring Data [1.802439717192088]
  本稿では,時系列モニタリングデータから記述的シグネチャを抽出する手法として相関ワイド・スムーシング(CS)を提案する。 提案手法は,データ次元間の相関を利用してグループを形成し,容易に操作し,視覚化し,比較できる画像様のシグネチャを生成する。 我々は,本研究でリリースしたデータセットの集合であるHPC-ODA上でのCS法の評価を行い,ほとんどの最先端手法と同等の性能を示す。
  論文  参考訳（メタデータ） (2020-10-13T05:22:47Z)
• Provably Efficient Causal Reinforcement Learning with Confounded Observational Data [135.64775986546505]
  オフラインで収集されたデータセット(観測データ)を組み込んで、オンライン環境でのサンプル効率を改善する方法について検討する。 提案手法は,観測データを効率よく組み込んだ,分解された楽観的値反復 (DOVI) アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-22T14:49:33Z)
• How Training Data Impacts Performance in Learning-based Control [67.7875109298865]
  本稿では,トレーニングデータの密度と制御性能の関係を考察する。 データセットの品質尺度を定式化し、$rho$-gap と呼ぶ。 フィードバック線形化制御法に$rho$-gapを適用する方法を示す。
  論文  参考訳（メタデータ） (2020-05-25T12:13:49Z)
• New advances in enumerative biclustering algorithms with online partitioning [80.22629846165306]
  さらに、数値データセットの列に定数値を持つ最大二クラスタの効率的で完全で正しい非冗長列挙を実現できる二クラスタリングアルゴリズムであるRIn-Close_CVCを拡張した。 改良されたアルゴリズムはRIn-Close_CVC3と呼ばれ、RIn-Close_CVCの魅力的な特性を保ちます。
  論文  参考訳（メタデータ） (2020-03-07T14:54:26Z)

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。