論文の概要: IoT Miner: Intelligent Extraction of Event Logs from Sensor Data for Process Mining

• arxiv url: http://arxiv.org/abs/2509.05769v1
• Date: Sat, 06 Sep 2025 16:50:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.700973
• Title: IoT Miner: Intelligent Extraction of Event Logs from Sensor Data for Process Mining
• Title（参考訳）: IoT Miner: プロセスマイニングのためのセンサデータからイベントログをインテリジェントに抽出する
• Authors: Edyta Brzychczy, Urszula Jessen, Krzysztof Kluza, Sridhar Sriram, Manuel Vargas Nettelnstroth,
• Abstract要約: IoT Minerは、プロセスマイニングをサポートするために、生の産業センサデータから高レベルのイベントログを作成するためのフレームワークである。 AIとドメイン認識データ処理を組み合わせることで、IoT Minerは、IoTデータからイベントログを生成するスケーラブルで解釈可能な方法を提供する。
• 参考スコア（独自算出の注目度）: 1.118478900782898
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents IoT Miner, a novel framework for automatically creating high-level event logs from raw industrial sensor data to support process mining. In many real-world settings, such as mining or manufacturing, standard event logs are unavailable, and sensor data lacks the structure and semantics needed for analysis. IoT Miner addresses this gap using a four-stage pipeline: data preprocessing, unsupervised clustering, large language model (LLM)-based labeling, and event log construction. A key innovation is the use of LLMs to generate meaningful activity labels from cluster statistics, guided by domain-specific prompts. We evaluate the approach on sensor data from a Load-Haul-Dump (LHD) mining machine and introduce a new metric, Similarity-Weighted Accuracy, to assess labeling quality. Results show that richer prompts lead to more accurate and consistent labels. By combining AI with domain-aware data processing, IoT Miner offers a scalable and interpretable method for generating event logs from IoT data, enabling process mining in settings where traditional logs are missing.
• Abstract（参考訳）: 本稿では,プロセスマイニングを支援するために,産業用センサデータから高レベルのイベントログを自動的に生成する新しいフレームワークであるIoT Minerを提案する。 マイニングや製造といった現実世界の多くの設定では、標準的なイベントログは利用できず、センサーデータには分析に必要な構造や意味が欠けている。 IoT Minerは、データ前処理、教師なしクラスタリング、大規模言語モデル(LLM)ベースのラベリング、イベントログ構成という4段階のパイプラインを使用して、このギャップに対処する。 重要なイノベーションは、LLMを使用して、ドメイン固有のプロンプトによってガイドされるクラスタ統計から意味のあるアクティビティラベルを生成することである。 我々は,LHDマイニングマシンのセンサデータに対するアプローチを評価し,ラベル付け品質を評価するための新しい指標であるSimisity-Weighted Accuracyを導入する。 結果は、リッチなプロンプトがより正確で一貫性のあるラベルにつながることを示している。 AIとドメイン認識データ処理を組み合わせることで、IoT Minerは、IoTデータからイベントログを生成するスケーラブルで解釈可能な方法を提供する。

関連論文リスト

• An object-centric core metamodel for IoT-enhanced event logs [1.092202156339801]
  既存のデータモデルの最も重要な特徴を合成するコアモデルを提案する。 プロトタイプのPython実装は、さまざまなユースケースに対してモデルを評価するために使用される。
  論文  参考訳（メタデータ） (2025-06-26T14:19:44Z)
• Exploring Microstructural Dynamics in Cryptocurrency Limit Order Books: Better Inputs Matter More Than Stacking Another Hidden Layer [9.2463347238923]
  ニューラルネットワークに余分な隠蔽層やパラメータを追加することで、短期的な価格予測が真に向上するかどうかを検討することを目的としている。 我々は,BTC/USDT LOBスナップショットを100ミリ秒から複数秒間隔で公開して,解釈可能なベースライン,ロジスティック回帰,XGBoostからディープアーキテクチャ(DeepLOB,Conv1D+LSTM)まで,モデルをベンチマークする。
  論文  参考訳（メタデータ） (2025-06-06T05:43:30Z)
• SnipGen: A Mining Repository Framework for Evaluating LLMs for Code [51.07471575337676]
  言語モデル(LLM)は、コードリポジトリを含む広範なデータセットに基づいてトレーニングされる。 それらの有効性を評価することは、トレーニングに使用されるデータセットと評価に使用されるデータセットとが重複する可能性があるため、大きな課題となる。 SnipGenは、コード生成のために、様々な下流タスクをまたいだ迅速なエンジニアリングを活用するように設計された包括的なリポジトリマイニングフレームワークである。
  論文  参考訳（メタデータ） (2025-02-10T21:28:15Z)
• LLM-based event abstraction and integration for IoT-sourced logs [2.6811507121199325]
  本稿では,イベント抽象化と統合において,LLM(Large Language Models)を活用する可能性について述べる。 当社のアプローチは、生のセンサ読み取りからイベントレコードを作成し、複数のIoTソースからのログを単一のイベントログにマージすることを目的としています。 高齢者介護と縦断的健康モニタリングにおけるIoT応用のケーススタディとして,イベント抽象化におけるLCMの機能を示す。
  論文  参考訳（メタデータ） (2024-09-05T12:38:13Z)
• An Automated Approach to Collecting and Labeling Time Series Data for Event Detection Using Elastic Node Hardware [18.15754187896287]
  本稿では,センサデータをIoTデバイス上で直接ラベル付けする新しい組込みシステムを提案する。 本稿では,各種センサデータのキャプチャとラベル付けを効率化する,特殊なラベル付けセンサを備えたハードウェアとソフトウェアの統合ソリューションを提案する。
  論文  参考訳（メタデータ） (2024-07-06T15:19:16Z)
• From Internet of Things Data to Business Processes: Challenges and a Framework [2.9799866120078935]
  IoTとビジネスプロセス管理(BPM)コミュニティは、製造業や医療など、多くの共有アプリケーションドメインに共存しています。 本研究は,低レベルのIoTセンサデータを高レベルのプロセスイベントに変換するための,一連の構造化ステップを実行するフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-14T12:07:07Z)
• LogFormer: A Pre-train and Tuning Pipeline for Log Anomaly Detection [73.69399219776315]
  本稿では,ログ異常検出(LogFormer)のためのTransformerベースの統合フレームワークを提案する。 具体的には、ログデータの共有セマンティック知識を得るために、まず、ソースドメイン上で事前学習を行う。 そして、そのような知識を共有パラメータを介して対象領域に転送する。
  論文  参考訳（メタデータ） (2024-01-09T12:55:21Z)
• Deep Learning based pipeline for anomaly detection and quality enhancement in industrial binder jetting processes [68.8204255655161]
  異常検出は、通常の値空間とは異なる異常状態、インスタンス、あるいはデータポイントを検出する方法を記述する。 本稿では,産業生産における人工知能へのデータ中心のアプローチに寄与する。
  論文  参考訳（メタデータ） (2022-09-21T08:14:34Z)
• Robust Event Classification Using Imperfect Real-world PMU Data [58.26737360525643]
  本研究では,不完全な実世界のファサー計測単位(PMU)データを用いて,ロバストな事象分類について検討する。 我々は、堅牢なイベント分類器を訓練するための新しい機械学習フレームワークを開発する。
  論文  参考訳（メタデータ） (2021-10-19T17:41:43Z)
• Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
  IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。 本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。 提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2020-04-15T06:13:33Z)

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。