論文の概要: Discriminative Rule Learning for Outcome-Guided Process Model Discovery

• arxiv url: http://arxiv.org/abs/2510.27343v1
• Date: Fri, 31 Oct 2025 10:25:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-03 17:52:16.067599
• Title: Discriminative Rule Learning for Outcome-Guided Process Model Discovery
• Title（参考訳）: プロセスモデル発見のための差別的ルール学習
• Authors: Ali Norouzifar, Wil van der Aalst,
• Abstract要約: イベントログはビジネスプロセスの理解と改善のための豊富な基盤を提供する。 望ましいプロセス実行と望ましくないプロセス実行を区別することができる。 この区別は、より結果に合った方法でプロセス発見をガイドする機会を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Event logs extracted from information systems offer a rich foundation for understanding and improving business processes. In many real-world applications, it is possible to distinguish between desirable and undesirable process executions, where desirable traces reflect efficient or compliant behavior, and undesirable ones may involve inefficiencies, rule violations, delays, or resource waste. This distinction presents an opportunity to guide process discovery in a more outcome-aware manner. Discovering a single process model without considering outcomes can yield representations poorly suited for conformance checking and performance analysis, as they fail to capture critical behavioral differences. Moreover, prioritizing one behavior over the other may obscure structural distinctions vital for understanding process outcomes. By learning interpretable discriminative rules over control-flow features, we group traces with similar desirability profiles and apply process discovery separately within each group. This results in focused and interpretable models that reveal the drivers of both desirable and undesirable executions. The approach is implemented as a publicly available tool and it is evaluated on multiple real-life event logs, demonstrating its effectiveness in isolating and visualizing critical process patterns.
• Abstract（参考訳）: 情報システムから抽出されたイベントログは、ビジネスプロセスを理解し改善するための豊富な基盤を提供する。 多くの現実世界のアプリケーションでは、望ましいトレースと望ましくないプロセスの実行を区別することが可能であり、望ましいトレースは効率的または順応的な振る舞いを反映し、望ましくないものは非効率性、ルール違反、遅延、リソース無駄を伴う可能性がある。 この区別は、より結果に合った方法でプロセス発見をガイドする機会を提供する。 結果を考えることなく単一のプロセスモデルを発見することは、重要な振る舞いの違いを捉えるのに失敗するため、適合性チェックやパフォーマンス分析に不適な表現をもたらす可能性がある。 さらに、一方の振る舞いを他方よりも優先順位付けすることは、プロセスの結果を理解する上で欠かせない構造的区別を生じる可能性がある。 制御フローの特徴に対する解釈可能な識別規則を学習することにより、類似した望ましくないプロファイルを持つトレースをグループ化し、各グループに個別にプロセス発見を適用する。 これにより、望ましい実行と望ましくない実行の両方のドライバを明らかにする、集中的で解釈可能なモデルが得られる。 このアプローチは公開ツールとして実装され、複数の実生活イベントログで評価され、重要なプロセスパターンの分離と視覚化の有効性を示す。

関連論文リスト

• Bounding Causal Effects and Counterfactuals [0.0]
  この論文は、複数の因果シナリオにまたがる有界アルゴリズムを体系的に比較することで、課題に対処する。 我々は、共通の評価フレームワーク内で最先端のメソッドを実装し、拡張し、統一する。 我々の実証研究は、離散データ生成プロセスと連続データ生成プロセスの両方を含む何千ものランダム化シミュレーションにまたがる。
  論文  参考訳（メタデータ） (2025-08-19T08:13:34Z)
• Offline Action-Free Learning of Ex-BMDPs by Comparing Diverse Datasets [87.62730694973696]
  本稿では,エージェント間の制御可能な特徴ダイナミクスの違いを利用して表現を学習する,サンプル効率のよいアルゴリズムCRAFTを紹介する。 我々はCRAFTの性能を理論的に保証し、おもちゃの例でその実現可能性を示す。
  論文  参考訳（メタデータ） (2025-03-26T22:05:57Z)
• Do We Need to Verify Step by Step? Rethinking Process Supervision from a Theoretical Perspective [59.61868506896214]
  標準的なデータカバレッジの仮定では、強化学習はプロセスの監督よりも統計的に難しいものではない。 任意のポリシーの利点関数が最適なプロセス報酬モデルとして機能することを証明する。
  論文  参考訳（メタデータ） (2025-02-14T22:21:56Z)
• Explanatory Model Monitoring to Understand the Effects of Feature Shifts on Performance [61.06245197347139]
  そこで本研究では,機能シフトによるブラックボックスモデルの振る舞いを説明する新しい手法を提案する。 本稿では,最適輸送と共有値の概念を組み合わせた提案手法について,説明的性能推定として紹介する。
  論文  参考訳（メタデータ） (2024-08-24T18:28:19Z)
• Mining a Minimal Set of Behavioral Patterns using Incremental Evaluation [3.16536213610547]
  行動パターンマイニングへの既存のアプローチには2つの制限がある。 まず、インクリメンタルな計算がパターン候補の生成にのみ組み込まれるため、スケーラビリティが制限される。 第二に、マイニングされたパターンに基づくプロセス分析は、実用的なアプリケーションシナリオで得られるパターンが圧倒的に多いため、限られた効果しか示さない。
  論文  参考訳（メタデータ） (2024-02-05T11:41:37Z)
• Impossibility Theorems for Feature Attribution [21.88229793890961]
  そこで本研究では,適度にリッチなモデルクラスでは,任意の特徴属性法がモデル振る舞いを推測するランダムな推測において,確実に改善できないことを示す。 本研究は, 局所モデル行動の特徴付け, 突発的特徴の同定, アルゴリズム的リコースなど, 一般的なエンドタスクに適用する。
  論文  参考訳（メタデータ） (2022-12-22T17:03:57Z)
• Chain of Thought Imitation with Procedure Cloning [129.62135987416164]
  本稿では,一連の専門家計算を模倣するために,教師付きシーケンス予測を適用したプロシージャクローニングを提案する。 本研究では、専門家の行動の中間計算を模倣することで、プロシージャのクローン化により、未知の環境構成に顕著な一般化を示すポリシーを学習できることを示す。
  論文  参考訳（メタデータ） (2022-05-22T13:14:09Z)
• Exploring Business Process Deviance with Sequential and Declarative Patterns [3.039637436705478]
  分散マイニングは、ビジネスプロセスの実行をサポートするシステムによって格納されたイベントログを分析して、デファイナント実行の理由を明らかにすることに関心がある。 ビジネスプロセスにおける逸脱を説明する問題は、まず、逐次的および宣言的パターンに基づいた特徴を用いて検討する。 それらの説明は、ルール誘導のための直接的および間接的な方法によって抽出される。
  論文  参考訳（メタデータ） (2021-11-24T12:16:07Z)
• Process discovery on deviant traces and other stranger things [6.974048370610024]
  我々は、宣言的プロセスに焦点をあて、プロセス発見のあまり人気のない視点をバイナリ教師付き学習タスクとして受け入れる。 これら2つのセットから得られる価値情報を抽出し,ユーザ定義の目標に従って最適なモデルにフォーマル化する方法について,より深く検討する。
  論文  参考訳（メタデータ） (2021-09-30T06:58:34Z)
• Hierarchical Variational Imitation Learning of Control Programs [131.7671843857375]
  パラメータ化された階層的手順(PHP)で表される制御ポリシーの模倣学習のための変分推論手法を提案する。 本手法は, 教師による実演の観察・行動トレースのデータセットにおける階層構造を, 手続き呼び出しや用語の待ち行列に近似した後続分布を学習することによって発見する。 階層的模倣学習(hierarchical mimicion learning)の文脈における変分推論の新たな利点を実証する。
  論文  参考訳（メタデータ） (2019-12-29T08:57:02Z)

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。