論文の概要: Accurate and Noise-Tolerant Extraction of Routine Logs in Robotic Process Automation (Extended Version)

• arxiv url: http://arxiv.org/abs/2510.08118v1
• Date: Thu, 09 Oct 2025 12:02:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 17:54:15.054135
• Title: Accurate and Noise-Tolerant Extraction of Routine Logs in Robotic Process Automation (Extended Version)
• Title（参考訳）: ロボットプロセス自動化におけるルーチンログの高精度・耐雑音抽出(拡張版)
• Authors: Massimiliano de Leoni, Faizan Ahmed Khan, Simone Agostinelli,
• Abstract要約: 最終的な目標は、ロボットプロセスの自動化を可能にするルーチン型モデルを見つけることだ。 ルーチン型モデルの発見には、ルーチンログのプロビジョニングが必要である。 本稿では,ルーチンログの抽出を目的としたクラスタリング手法を提案する。
• 参考スコア（独自算出の注目度）: 1.8952926723201655
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robotic Process Mining focuses on the identification of the routine types performed by human resources through a User Interface. The ultimate goal is to discover routine-type models to enable robotic process automation. The discovery of routine-type models requires the provision of a routine log. Unfortunately, the vast majority of existing works do not directly focus on enabling the model discovery, limiting themselves to extracting the set of actions that are part of the routines. They were also not evaluated in scenarios characterized by inconsistent routine execution, hereafter referred to as noise, which reflects natural variability and occasional errors in human performance. This paper presents a clustering-based technique that aims to extract routine logs. Experiments were conducted on nine UI logs from the literature with different levels of injected noise. Our technique was compared with existing techniques, most of which are not meant to discover routine logs but were adapted for the purpose. The results were evaluated through standard state-of-the-art metrics, showing that we can extract more accurate routine logs than what the state of the art could, especially in the presence of noise.
• Abstract（参考訳）: ロボットプロセスマイニング(Robotic Process Mining)は、ユーザインタフェースを通じて人的リソースによって実行されるルーチンタイプの識別に焦点を当てる。 最終的な目標は、ロボットプロセスの自動化を可能にするルーチン型モデルを見つけることだ。 ルーチン型モデルの発見には、ルーチンログのプロビジョニングが必要である。 残念なことに、既存の作業の大部分は、モデル発見を可能にすることに直接重点を置いておらず、ルーチンの一部であるアクションの集合を抽出することに制限されている。 また、自然の変動や人間のパフォーマンスのエラーを反映したノイズと呼ばれる、一貫性のないルーチン実行を特徴とするシナリオでは評価されなかった。 本稿では,ルーチンログの抽出を目的としたクラスタリング手法を提案する。 注入音のレベルが異なる文献からの9つのUIログについて実験を行った。 本手法は既存の技術と比較され,そのほとんどはルーチンログの発見を目的としたものではなく,その目的のために適応されたものである。 その結果,特にノイズの存在下では,最先端の計測値よりも正確なルーチンログを抽出できることが判明した。

関連論文リスト

• Coarse-to-fine Q-Network with Action Sequence for Data-Efficient Robot Learning [62.3886343725955]
  本稿では,行動列上のQ値を出力する批判ネットワークを学習する,新しい値に基づく強化学習アルゴリズムを提案する。 実験により、CQN-ASは、様々なスパース逆ヒューマノイド制御およびテーブルトップ操作タスクにおいて、いくつかのベースラインより優れていることが示された。
  論文  参考訳（メタデータ） (2024-11-19T01:23:52Z)
• Stochastic Directly-Follows Process Discovery Using Grammatical Inference [8.196011179587304]
  本稿では,入力トレースに対する文法的推論を基礎とした直接追従グラフの探索手法を提案する。 実世界のデータセットに対する実験により、我々の新しいアプローチは入力トレースとその周波数を最先端技術よりも正確に表現できる小さなモデルを構築することができることを確認した。
  論文  参考訳（メタデータ） (2023-12-09T01:56:25Z)
• Using Abstraction for Interpretable Robot Programs in Stochastic Domains [17.04153879817609]
  ロボットの動作は、そのセンサーがうるさく、その動作が常に意図した効果を持つとは限らないため、本質的にノイズである。 Gologは、信念と行動の学位を持つモデルに拡張されている。 結果として得られるプログラムは、ノイズに対処する必要があるため、理解するのがずっと難しい。 本研究では,ロボットの高次非確率モデルを定義し,高次モデルを低次モデルにマッピングする。
  論文  参考訳（メタデータ） (2022-07-26T09:15:37Z)
• Process Discovery Using Graph Neural Networks [2.6381163133447836]
  本稿では,グラフニューラルネットワークを用いたMLベースモデルDのトレーニング手法を提案する。 Dは与えられた入力イベントログをサウンドペトリネットに変換する。 合成された入力ログと出力モデルのペアによるDのトレーニングにより、Dは以前に見つからなかった合成イベントログと複数の実生活イベントログを音に変換することができることを示す。
  論文  参考訳（メタデータ） (2021-09-13T10:04:34Z)
• A Novel Anomaly Detection Algorithm for Hybrid Production Systems based on Deep Learning and Timed Automata [73.38551379469533]
  DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。 深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。 このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
  論文  参考訳（メタデータ） (2020-10-29T08:27:43Z)
• Process Discovery for Structured Program Synthesis [70.29027202357385]
  プロセスマイニングにおける中核的なタスクは、イベントログデータから正確なプロセスモデルを学ぶことを目的としたプロセス発見である。 本稿では,ターゲットプロセスモデルとして(ブロック-)構造化プログラムを直接使用することを提案する。 我々は,このような構造化プログラムプロセスモデルの発見に対して,新たなボトムアップ・アグリメティブ・アプローチを開発する。
  論文  参考訳（メタデータ） (2020-08-13T10:33:10Z)
• Self-Supervised Log Parsing [59.04636530383049]
  大規模ソフトウェアシステムは、大量の半構造化ログレコードを生成する。 既存のアプローチは、ログ特化や手動ルール抽出に依存している。 本稿では,自己教師付き学習モデルを用いて解析タスクをマスク言語モデリングとして定式化するNuLogを提案する。
  論文  参考訳（メタデータ） (2020-03-17T19:25:25Z)

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。