論文の概要: Integrating Domain Knowledge into Process Discovery Using Large Language Models

• arxiv url: http://arxiv.org/abs/2510.07161v1
• Date: Wed, 08 Oct 2025 15:59:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.605803
• Title: Integrating Domain Knowledge into Process Discovery Using Large Language Models
• Title（参考訳）: 大規模言語モデルを用いたプロセス発見へのドメイン知識の統合
• Authors: Ali Norouzifar, Humam Kourani, Marcus Dees, Wil van der Aalst,
• Abstract要約: 本稿では,自然言語で表現されたドメイン知識をプロセス発見パイプラインに組み込む対話型フレームワークを提案する。 このフレームワークは、LLM(Large Language Models)、ドメインエキスパート、バックエンドサービスのセット間のインタラクションを調整する。 我々の実証研究は、実際のイベントログに基づくケーススタディと、フレームワークのユーザビリティと有効性を評価するドメインエキスパートの関与を含む。
• 参考スコア（独自算出の注目度）: 3.7448613209842967
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Process discovery aims to derive process models from event logs, providing insights into operational behavior and forming a foundation for conformance checking and process improvement. However, models derived solely from event data may not accurately reflect the real process, as event logs are often incomplete or affected by noise, and domain knowledge, an important complementary resource, is typically disregarded. As a result, the discovered models may lack reliability for downstream tasks. We propose an interactive framework that incorporates domain knowledge, expressed in natural language, into the process discovery pipeline using Large Language Models (LLMs). Our approach leverages LLMs to extract declarative rules from textual descriptions provided by domain experts. These rules are used to guide the IMr discovery algorithm, which recursively constructs process models by combining insights from both the event log and the extracted rules, helping to avoid problematic process structures that contradict domain knowledge. The framework coordinates interactions among the LLM, domain experts, and a set of backend services. We present a fully implemented tool that supports this workflow and conduct an extensive evaluation of multiple LLMs and prompt engineering strategies. Our empirical study includes a case study based on a real-life event log with the involvement of domain experts, who assessed the usability and effectiveness of the framework.
• Abstract（参考訳）: プロセス発見は、プロセスモデルをイベントログから導き、運用行動に関する洞察を提供し、コンプライアンスチェックとプロセス改善のための基盤を形成することを目的としています。 しかし、イベントログがしばしば不完全あるいはノイズの影響を受け、重要な補完的なリソースであるドメイン知識が無視されるため、イベントデータからのみ派生したモデルは、実際のプロセスを正確に反映することができない。 その結果、検出されたモデルは下流タスクの信頼性に欠ける可能性がある。 本稿では,Large Language Models (LLMs) を用いたプロセス発見パイプラインに,自然言語で表現されたドメイン知識を組み込んだ対話型フレームワークを提案する。 提案手法は LLM を利用して,ドメインの専門家によるテキスト記述から宣言的ルールを抽出する。 これらのルールは、イベントログと抽出されたルールの両方からの洞察を組み合わせることで、プロセスモデルを再帰的に構築するIMr発見アルゴリズムのガイドに使用される。 このフレームワークは、LLM、ドメインエキスパート、バックエンドサービスのセット間のインタラクションを調整する。 我々は、このワークフローをサポートし、複数のLCMを広範囲に評価し、エンジニアリング戦略を迅速に実施する、完全に実装されたツールを提案する。 我々の実証研究は、実際のイベントログに基づくケーススタディと、フレームワークのユーザビリティと有効性を評価するドメインエキスパートの関与を含む。

関連論文リスト

• Knowledge-Driven Hallucination in Large Language Models: An Empirical Study on Process Modeling [46.05103857535919]
  解析的タスクにおける大規模言語モデルの実用性は、その膨大な事前訓練された知識に根ざしている。 この能力は、私たちが知識駆動幻覚と呼ぶものに対して、重大なリスクをもたらします。 本稿では,自動プロセスモデリングのタスクにおけるLCMの評価により,この現象を考察する。
  論文  参考訳（メタデータ） (2025-09-18T18:27:30Z)
• MLE-Dojo: Interactive Environments for Empowering LLM Agents in Machine Learning Engineering [57.156093929365255]
  自律型大規模言語モデル(LLM)エージェントを体系的に強化し、評価し、改善するためのガイムスタイルのフレームワーク。 MLE-Dojoは、現実的なエンジニアリングシナリオを反映した、多様でオープンなMLEタスクを慎重にキュレートする。 完全に実行可能な環境は、教師付き微調整と強化学習の両方を通して包括的なエージェントトレーニングをサポートする。
  論文  参考訳（メタデータ） (2025-05-12T17:35:43Z)
• Learning Task Representations from In-Context Learning [73.72066284711462]
  大規模言語モデル(LLM)は、文脈内学習において顕著な習熟性を示している。 ICLプロンプトにおけるタスク情報をアテンションヘッドの関数として符号化するための自動定式化を導入する。 提案手法の有効性は,最後の隠れ状態の分布と最適に実行されたテキスト内学習モデルとの整合性に起因していることを示す。
  論文  参考訳（メタデータ） (2025-02-08T00:16:44Z)
• Bridging Domain Knowledge and Process Discovery Using Large Language Models [0.0]
  本稿では,Large Language Models(LLM)を利用して,ドメイン知識を直接プロセス発見に統合する。 LLMから派生したルールを使用して、モデル構築をガイドし、ドメイン知識と実際のプロセス実行の整合性を確保します。
  論文  参考訳（メタデータ） (2024-08-30T14:23:40Z)
• Cognitive LLMs: Towards Integrating Cognitive Architectures and Large Language Models for Manufacturing Decision-making [51.737762570776006]
  LLM-ACTRは、ヒトに適応し、多目的な意思決定を提供する新しいニューロシンボリックアーキテクチャである。 我々のフレームワークは、ACT-Rの内部決定過程の知識を潜在神経表現として抽出し、組み込む。 デザイン・フォー・マニュファクチャリング・タスクに関する我々の実験は、タスク性能の向上と基礎的意思決定能力の向上を両立させたものである。
  論文  参考訳（メタデータ） (2024-08-17T11:49:53Z)
• Knowledge Plugins: Enhancing Large Language Models for Domain-Specific Recommendations [50.81844184210381]
  本稿では,大規模言語モデルをDOmain固有のKnowledgEで拡張し,実践的アプリケーション,すなわちDOKEの性能を向上させるためのパラダイムを提案する。 このパラダイムはドメイン知識抽出器に依存し,1)タスクに効果的な知識を準備すること,2)特定のサンプルごとに知識を選択すること,3)LLMで理解可能な方法で知識を表現すること,の3つのステップで動作する。
  論文  参考訳（メタデータ） (2023-11-16T07:09:38Z)
• Improving Open Information Extraction with Large Language Models: A Study on Demonstration Uncertainty [52.72790059506241]
  オープン情報抽出(OIE)タスクは、構造化されていないテキストから構造化された事実を抽出することを目的としている。 一般的なタスク解決手段としてChatGPTのような大きな言語モデル(LLM)の可能性にもかかわらず、OIEタスクの最先端(教師付き)メソッドは遅れている。
  論文  参考訳（メタデータ） (2023-09-07T01:35:24Z)
• 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)

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。