論文の概要: Automata Learning versus Process Mining: The Case for User Journeys

• arxiv url: http://arxiv.org/abs/2604.03686v1
• Date: Sat, 04 Apr 2026 11:05:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.722834
• Title: Automata Learning versus Process Mining: The Case for User Journeys
• Title（参考訳）: 自動学習とプロセスマイニング - ユーザジャーニーの場合
• Authors: Paul Kobialka, Andrea Pferscher, Bernhard K. Aichernig, Einar Broch Johnsen, Silvia Lizeth Tapia Tarifa,
• Abstract要約: 本研究では,サービスとのユーザインタラクションから行動モデルの自動生成を可能にする技術について検討する。 まず、与えられたイベントログから行動モデルを生成する2つの確立されたテクニック、すなわち自動学習とプロセスマイニングを比較します。 本稿では,自動学習とプロセスマイニングを組み合わせたハイブリッド手法を提案する。
• 参考スコア（独自算出の注目度）: 3.979920755285812
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: With the servitization of business, understanding how users experience services becomes a crucial success factor for companies. Therefore, there is a need to include feedback from user experiences in the software engineering process. Behavioral models of user journeys, describing how users experience their interaction with a service, can provide insights and potentially improve services. In this paper, we investigate techniques that allow the automatic generation of behavioral models from user interactions with a service, recorded in an event log. We first compare two established techniques that generate behavioral models from a given event log: automata learning and process mining. Afterward, we present a novel, hybrid method that combines both automata learning and process mining methods to overcome their limitations. For the existing techniques, we present methods to learn models of user journeys and evaluate the accuracy of the resulting models. We then compare these techniques with our novel method for the automatic extraction of user journey models from the event logs of digital services. We assess the practical applicability of all techniques by evaluating real-world applications. Our results show that process mining techniques rely on expert knowledge, while automata learning techniques depend on the distribution of events in the given event log. We further show that the proposed hybrid technique combines the strengths of both process mining and automata learning, automatically selecting the best method and parameter settings for a given event log to learn very accurate models.
• Abstract（参考訳）: ビジネスの活発化によって、ユーザがサービスをどのように経験するかを理解することは、企業にとって重要な成功要因となります。 したがって、ソフトウェアエンジニアリングプロセスにユーザエクスペリエンスからのフィードバックを含める必要がある。 ユーザジャーニーの行動モデルでは、ユーザがサービスとのインタラクションをどのように経験するかを説明し、洞察を提供し、サービスを改善することができる。 本稿では,イベントログに記録されたサービスとのユーザインタラクションから,行動モデルの自動生成を可能にする手法について検討する。 まず、与えられたイベントログから行動モデルを生成する2つの確立されたテクニック、すなわち自動学習とプロセスマイニングを比較します。 その後,自動学習とプロセスマイニングを併用して,その限界を克服する新しいハイブリッド手法を提案する。 既存の手法では,ユーザジャーニーのモデルを学習し,得られたモデルの精度を評価する手法を提案する。 次に,これらの手法を,デジタルサービスのイベントログからユーザ旅行モデルを自動的に抽出する手法と比較する。 実世界のアプリケーションを評価することによって,すべての手法の実用性を評価する。 その結果,プロセスマイニング技術は専門家の知識に依存し,自動学習技術はイベントログ内のイベントの分布に依存していることがわかった。 さらに,提案手法はプロセスマイニングと自動学習の両方の長所を組み合わせることで,与えられたイベントログに対して最適な手法とパラメータ設定を自動的に選択し,極めて正確なモデルを学習することを示す。

関連論文リスト

• Scaling Web Agent Training through Automatic Data Generation and Fine-grained Evaluation [54.945281159783896]
  Webエージェントのための高品質なトレーニングデータを自動的に生成するスケーラブルなパイプラインを提案する。 本稿では,タスク完了に向けた進捗のきめ細かい評価を提供する制約に基づく新しい評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-13T02:52:18Z)
• Data augmentation with automated machine learning: approaches and performance comparison with classical data augmentation methods [0.0]
  最先端のアプローチは、自動化機械学習(AutoML)の原則にますます依存している。 本稿では,AutoMLに基づくデータ拡張技術に関する総合的な調査を紹介する。
  論文  参考訳（メタデータ） (2024-03-13T09:00:38Z)
• WebWISE: Web Interface Control and Sequential Exploration with Large Language Models [13.751480639556423]
  本稿では,Large Language Model (LLM) を用いて,クリック,スクロール,テキスト入力操作によるWebソフトウェアタスクの自動実行について検討する。 提案手法では,フィルタドキュメンテーションオブジェクトモデル(DOM)要素を観測として使用し,タスクをステップバイステップで実行し,小さなプログラムを逐次生成する。 手動で用意した例から恩恵を受けるか、ゼロショットトライアルの成功に基づいて自動生成する例を例に挙げる。
  論文  参考訳（メタデータ） (2023-10-24T17:57:03Z)
• Creating user stereotypes for persona development from qualitative data through semi-automatic subspace clustering [0.0]
  本稿では,ペルソナ作成プロセスの一部を自動化するために,ユーザステレオタイプをモデル化する手法を提案する。 結果は、人格設計者と人格設計者との違いが、異なる結果をもたらすことを示している。 提案アルゴリズムはパラメータ入力に基づいて同様の結果を与えるが、より厳密で最適なクラスタを見つけることができる。
  論文  参考訳（メタデータ） (2023-06-26T09:49:51Z)
• Benchmarking Automated Machine Learning Methods for Price Forecasting Applications [58.720142291102135]
  自動機械学習(AutoML)ソリューションで手作業で作成したMLパイプラインを置換する可能性を示す。 CRISP-DMプロセスに基づいて,手動MLパイプラインを機械学習と非機械学習に分割した。 本稿では、価格予測の産業利用事例として、ドメイン知識とAutoMLを組み合わせることで、ML専門家への依存が弱まることを示す。
  論文  参考訳（メタデータ） (2023-04-28T10:27:38Z)
• Learning Task Automata for Reinforcement Learning using Hidden Markov Models [37.69303106863453]
  本稿では,非マルコフ型タスク仕様を簡潔な有限状態タスクオートマトンとして学習するための新しいパイプラインを提案する。 我々は,その製品 MDP を部分的に観測可能な MDP として扱い,よく知られた Baum-Welch アルゴリズムを用いて隠れマルコフモデルを学習することで,仕様のオートマトンと環境の MDP からなるモデルである製品 MDP を学習する。 我々の学習タスクオートマトンはタスクをその構成サブタスクに分解し、RLエージェントが後に最適なポリシーを合成できる速度を改善する。
  論文  参考訳（メタデータ） (2022-08-25T02:58:23Z)
• AutoDES: AutoML Pipeline Generation of Classification with Dynamic Ensemble Strategy Selection [0.0]
  動的アンサンブル選択の進歩を取り入れた機械学習のための新しいフレームワークを提案する。 われわれのアプローチはAutoMLの分野で初めてアンサンブル戦略を検索し最適化するものである。 比較実験において、本手法は、最先端の機械学習フレームワークを同じCPU時間で性能良くする。
  論文  参考訳（メタデータ） (2022-01-01T15:17:07Z)
• ProcK: Machine Learning for Knowledge-Intensive Processes [30.371382331613532]
  ProcK(Process & Knowledge)はビジネスプロセス予測モデルを構築するための新しいパイプラインである。 リレーショナルデータベースからリンクされたイベントログとナレッジベースを抽出するコンポーネントは、パイプラインの一部である。 我々は、OULADのeラーニングデータセット上で予測タスクをトレーニングすることで、ProcKのパワーを実証する。
  論文  参考訳（メタデータ） (2021-09-10T13:51:59Z)
• Visual Transformer for Task-aware Active Learning [49.903358393660724]
  プールベースのアクティブラーニングのための新しいパイプラインを提案する。 提案手法は,学習中に使用可能なアンラベリング例を利用して,ラベル付き例との相関関係を推定する。 ビジュアルトランスフォーマーは、ラベル付き例と非ラベル付き例の間の非ローカルビジュアル概念依存性をモデル化する。
  論文  参考訳（メタデータ） (2021-06-07T17:13:59Z)
• Automated simulation and verification of process models discovered by process mining [0.0]
  本稿では,プロセスマイニング技術を用いたプロセスモデルの自動解析手法を提案する。 プロセスマイニングは、さまざまなデバイスによって生成されたイベントデータに隠された、基盤となるプロセスを探索する。
  論文  参考訳（メタデータ） (2020-11-03T11:51:53Z)
• Towards CRISP-ML(Q): A Machine Learning Process Model with Quality Assurance Methodology [53.063411515511056]
  本稿では,機械学習アプリケーション開発のためのプロセスモデルを提案する。 第1フェーズでは、データの可用性がプロジェクトの実現可能性に影響を与えることが多いため、ビジネスとデータの理解が結合されます。 第6フェーズでは、機械学習アプリケーションの監視とメンテナンスに関する最先端のアプローチがカバーされている。
  論文  参考訳（メタデータ） (2020-03-11T08:25:49Z)

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。