論文の概要: Framework for Grouping Local Process Models

• arxiv url: http://arxiv.org/abs/2607.04856v1
• Date: Mon, 06 Jul 2026 09:32:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:30.104041
• Title: Framework for Grouping Local Process Models
• Title（参考訳）: ローカルプロセスモデルをグループ化するフレームワーク
• Authors: Viki Peeva, Wil M. P. van der Aalst,
• Abstract要約: 局所プロセスモデルは、シーケンス、選択、ループを考慮したイベントデータのパターンを記述する。 現在の感情は、最上位のLPMが提示すべき最適なサンプルを形成することである。 本稿では,LPMをグループ化し,各グループに1つの代表LPMを取ることで最適なサンプルを作成するためのフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 1.4610038284393168
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Local Process Models (LPMs) are an underexplored concept in process mining. LPMs describe patterns in event data considering sequence, choice, concurrency, and loop. In recent years, process mining has proved successful in the analysis and improvement of operational processes. More often than not, surprising findings are found when one does not consider the full process, making LPMs and their discovery highly valuable. However, similar to other pattern mining approaches, LPM discovery algorithms face the problems of model explosion and model repetition, i.e., the algorithms may create hundreds if not thousands of LPMs, and subsets of them are close in structure or behavior. Practically, no analyst would be able to comb through thousands of LPMs leading to using a sample of LPMs that are easily accessible. The current sentiment is that the top-scoring LPMs form the optimal sample to be presented. However, different applications should demand a different optimal sample. With this work, we show that if the goal of the mined LPMs is to understand a process, using the top-scoring LPMs as an optimal sample is a poor choice because of high repetition. We propose a framework for grouping LPMs and creating an optimal sample by taking one representative LPM for each group. We measure similarity between models via established process model similarity measures or by comparing the context in which an LPM appears. The context is formed using data attributes available in the underlying event logs. We demonstrate the usefulness of grouping on multiple event logs by comparing repetition and coverage between samples comprised of the top-scoring models and the representatives of discovered groups.
• Abstract（参考訳）: ローカルプロセスモデル (LPM) はプロセスマイニングにおいて未発見の概念である。 LPMはシーケンス、選択、並行性、ループを考慮したイベントデータ内のパターンを記述する。 近年、プロセスマイニングは、運用プロセスの分析と改善に成功している。 多くの場合、完全なプロセスを考慮していないと驚くべき発見が得られ、LPMとその発見は極めて貴重である。 しかし、他のパターンマイニング手法と同様に、LPM発見アルゴリズムはモデル爆発とモデル反復の問題に直面している。 実際には、何千ものLPMを網羅して、容易にアクセス可能なLPMのサンプルを使用するアナリストはいないだろう。 現在の感情は、最上位のLPMが提示すべき最適なサンプルを形成することである。 しかし、異なるアプリケーションは異なる最適なサンプルを要求するべきである。 本研究により, マイニングされたLPMの目的がプロセスを理解することならば, 最上位のLPMを最適なサンプルとして用いることは, 繰り返しの少ない選択であることを示す。 本稿では,LPMをグループ化し,各グループに1つの代表LPMを取ることで最適なサンプルを作成するためのフレームワークを提案する。 確立されたプロセスモデル類似度尺度を用いてモデル間の類似度を測定する。 コンテキストは、基礎となるイベントログで利用可能なデータ属性を使って形成されます。 本稿では,複数のイベントログ上でグループ化を行うことの有用性を,トップスコーリングモデルを構成するサンプルと発見グループの代表者との繰り返しとカバレッジを比較して示す。

関連論文リスト

• Model-Based Learning of Near-Optimal Finite-Window Policies in POMDPs [8.784438985280092]
  部分的に観測可能なマルコフ決定過程(POMDP)における有限ウィンドウポリシーのモデルに基づく学習について検討する。 部分的可観測性の下での学習の一般的なアプローチは、有限の行動観測窓を用いて履歴依存を近似することである。 この超状態 MDP のモデルが利用可能になると、標準的な MDP アルゴリズムを使って最適なポリシーを計算できる。
  論文  参考訳（メタデータ） (2026-04-01T15:32:47Z)
• What is the Best Process Model Representation? A Comparative Analysis for Process Modeling with Large Language Models [3.113304966059062]
  大規模言語モデル(LLM)は、プロセスモデル生成(PMG)のようなプロセスモデリング(PMO)タスクにますます適用されています。 プロセスモデル表現(PMR)は、構造、複雑さ、ユーザビリティにおいて大きく異なり、体系的に比較されたことはない。 本稿では,PMOとLPMの文脈で複数のPMRを評価できる最初の実証的研究について述べる。
  論文  参考訳（メタデータ） (2025-07-15T14:26:50Z)
• Multi-Agent Sampling: Scaling Inference Compute for Data Synthesis with Tree Search-Based Agentic Collaboration [81.45763823762682]
  本研究の目的は,マルチエージェントサンプリングによるデータ合成の問題を調べることでギャップを埋めることである。 逐次サンプリングプロセス中にワークフローが反復的に進化する木探索に基づくオーケストレーションエージェント(TOA)を紹介する。 アライメント、機械翻訳、数学的推論に関する実験は、マルチエージェントサンプリングが推論計算スケールとしてシングルエージェントサンプリングを著しく上回ることを示した。
  論文  参考訳（メタデータ） (2024-12-22T15:16:44Z)
• Towards a Benchmark for Large Language Models for Business Process Management Tasks [1.878433493707693]
  幅広いタスクに対してLLM(Large Language Models)をデプロイする組織が増えている。 汎用性にもかかわらず、LLMは不正確さから幻覚まで、エラーを起こしやすい。 本稿では、ビジネスプロセス管理領域におけるLCMパフォーマンスのベンチマークのギャップについて論じる。
  論文  参考訳（メタデータ） (2024-10-04T09:18:54Z)
• Aligning Language Models with Demonstrated Feedback [58.834937450242975]
  Demonstration ITerated Task Optimization (DITTO)は、言語モデルの出力とユーザの実証された振る舞いを直接調整する。 我々は,DITTOがニュース記事やメール,ブログ記事などのドメイン間できめ細かいスタイルやタスクアライメントを学習する能力を評価する。
  論文  参考訳（メタデータ） (2024-06-02T23:13:56Z)
• Grouping Local Process Models [0.19036571490366497]
  ローカルプロセスモデル(LPM)発見は、プロセスのサブ振る舞いを説明するための一連のLPMを構築しようとする。 本研究は,様々なプロセスモデル類似度尺度を用いて類似LPMをグループ化するための3段階パイプラインを提案する。
  論文  参考訳（メタデータ） (2023-11-06T11:24:27Z)
• Memory-Based Optimization Methods for Model-Agnostic Meta-Learning and Personalized Federated Learning [56.17603785248675]
  モデルに依存しないメタラーニング (MAML) が人気のある研究分野となっている。 既存のMAMLアルゴリズムは、イテレーション毎にメタモデルを更新するためにいくつかのタスクとデータポイントをサンプリングすることで、エピソードのアイデアに依存している。 本稿では,MAMLのメモリベースアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-06-09T08:47:58Z)
• A Provably Efficient Sample Collection Strategy for Reinforcement Learning [123.69175280309226]
  オンライン強化学習(RL)における課題の1つは、エージェントがその振る舞いを最適化するために、環境の探索とサンプルの活用をトレードオフする必要があることである。 1) 生成モデル(環境のスパースシミュレータなど)にアクセス可能な状態のサンプル数を規定する「対象別」アルゴリズム,2) 所定のサンプルをできるだけ早く生成する「対象別」サンプル収集。
  論文  参考訳（メタデータ） (2020-07-13T15:17:35Z)

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。