論文の概要: Automated Event Log Generation from Unstructured Text Using Finetuned LLMs

• arxiv url: http://arxiv.org/abs/2609.01320v1
• Date: Tue, 01 Sep 2026 14:39:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.771186
• Title: Automated Event Log Generation from Unstructured Text Using Finetuned LLMs
• Title（参考訳）: 微細LCMを用いた非構造化テキストからのイベントログの自動生成
• Authors: Maximilian Seeth, Gabriel Marques Tavares, Daniel Schuster,
• Abstract要約: 本稿では,Large Language Models (LLMs) を自動データトランスレータとしての有用性について検討する。 新たに作成されたテキスト・ツー・ログのデータセットにLCMを微調整し、結果のモデルが高忠実度イベントログを抽出できることを実証する。 我々の手法は、未使用のデータを採掘生態系の処理に利用するための有望なパイプラインを提供する、と結論付けている。
• 参考スコア（独自算出の注目度）: 1.1661238776379117
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Process mining (PM) provides a powerful framework for discovering and optimizing operational processes from event data. However, the efficacy of PM techniques is strictly predicated on the availability of structured event logs. Thus far, event logs have often been laboriously created by domain and process mining experts. This costly effort causes large portions of organizational knowledge, including incident tickets, manuals, and textual reports, to remain underutilized. We address this bottleneck by investigating the efficacy of Large Language Models (LLMs) as automated data translators. We propose a scalable framework that leverages LLMs as data translators to bridge the gap between unstructured textual resources and structured event data. We finetune LLMs on a newly created text-to-log dataset, demonstrating that the resulting models can extract high-fidelity event logs from unstructured resources. Our results show that this finetuning approach outperforms few-shot or zero-shot prompting by a large amount, highlighting finetuning as a necessary pre-condition for generating reliable event data. We conclude that our method provides a promising pipeline for making previously unused data available to process mining ecosystems, effectively expanding the possibilities of using PM to further investigate organizational workflows.
• Abstract（参考訳）: プロセスマイニング(PM)は、イベントデータから運用プロセスを発見し、最適化するための強力なフレームワークを提供する。 しかし、PM手法の有効性は、構造化イベントログの可用性を厳格に予測している。 これまでのところ、イベントログはドメインやプロセスマイニングの専門家によって、しばしば精力的に作成されてきた。 このコストのかかる努力は、インシデントチケット、マニュアル、テキストレポートなど、組織的な知識の大部分を未利用のままにしている。 本稿では,Large Language Models (LLM) の有効性を自動データトランスレータとして検討することで,このボトルネックに対処する。 我々は、構造化されていないテキストリソースと構造化されたイベントデータとのギャップを埋めるために、LSMをデータトランスレータとして活用するスケーラブルなフレームワークを提案する。 新たに作成されたテキスト・ツー・ログのデータセットにLCMを微調整し、結果として得られたモデルが非構造化リソースから高忠実なイベントログを抽出できることを実証する。 以上の結果から,このファインタニング手法は,信頼性の高いイベントデータを生成する上で必要な前提条件として,少数ショットやゼロショットのプロンプトを多量に向上させることがわかった。 提案手法は,これまで使用されていなかったデータをプロセスマイニングエコシステムに利用するための,有望なパイプラインを提供するとともに,PMを組織ワークフローのさらなる調査に活用する可能性を効果的に拡張するものである。

関連論文リスト

• Can LLMs Clean Up Your Mess? A Survey of Application-Ready Data Preparation with LLMs [66.63911043019294]
  データ準備は、生のデータセットを識別し、データセット間の関係を解明し、それらから貴重な洞察を抽出することを目的としている。 本稿では,様々な下流タスクのためのデータ準備にLLM技術を用いることに焦点を当てる。 データクリーニング、標準化、エラー処理、計算、データ統合、データ豊か化という3つの主要なタスクにフィールドを編成するタスク中心の分類を導入します。
  論文  参考訳（メタデータ） (2026-01-22T12:02:45Z)
• Event Extraction in Large Language Model [99.94321497574805]
  私たちは、LLM中心のソリューションに認知的な足場を提供するシステムコンポーネントとして、EEは見なされるべきである、と論じます。 この調査では、EEのテキストとマルチモーダル設定、タスクと分類の整理、ルールベースとニューラルモデルから命令駆動および生成フレームワークへのメソッド進化のトレースについて取り上げている。
  論文  参考訳（メタデータ） (2025-12-22T16:22:14Z)
• Integrating Domain Knowledge into Process Discovery Using Large Language Models [3.7448613209842967]
  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。
  論文  参考訳（メタデータ） (2025-10-08T15:59:11Z)
• DELM: a Python toolkit for Data Extraction with Language Models [0.0]
  DELM(Data extract with Language Models)は、オープンソースのPythonツールキットで、データ抽出パイプラインの迅速な実験的なイテレーション用に設計されている。 定型的なコードを最小限にし、構造化出力、ビルトインバリデーション、フレキシブルなデータローディングとスコアリング戦略、効率的なバッチ処理を備えたモジュール化されたフレームワークを提供する。 また、再試行ロジック、結果キャッシング、詳細なコストトラッキング、包括的な構成管理など、LLM APIの動作に対する堅牢なサポートも含まれている。
  論文  参考訳（メタデータ） (2025-09-24T23:47:55Z)
• Beyond Isolated Dots: Benchmarking Structured Table Construction as Deep Knowledge Extraction [80.88654868264645]
  Arranged and Organized extract Benchmarkは、断片化された文書を理解するための大規模言語モデルの能力を評価するために設計された。 AOEには3つの異なるドメインにまたがる11のタスクが含まれており、さまざまな入力クエリに適したコンテキスト固有のスキーマを生成するモデルが必要である。 結果は、最も先進的なモデルでさえ、かなり苦労したことを示している。
  論文  参考訳（メタデータ） (2025-07-22T06:37:51Z)
• Leveraging Machine Learning and Enhanced Parallelism Detection for BPMN Model Generation from Text [75.77648333476776]
  本稿では、テキストからBPMNモデルを抽出する自動パイプラインについて紹介する。 この研究の重要な貢献は、新たに注釈付けされたデータセットの導入である。 モデルトレーニング用の32のパラレルゲートウェイを含む15の注釈付き文書でデータセットを増強する。
  論文  参考訳（メタデータ） (2025-07-11T07:25:55Z)
• Harnessing Generative LLMs for Enhanced Financial Event Entity Extraction Performance [0.0]
  金融イベントエンティティ抽出は、財務知識グラフを構築する上で重要なタスクである。 従来のアプローチでは、しばしばシーケンスラベリングモデルに依存しており、長距離依存に苦しむことがある。 本稿では,財務イベントエンティティ抽出をテキストから構造化した生成タスクとして再編成する手法を提案する。
  論文  参考訳（メタデータ） (2025-04-20T14:23:31Z)
• System Log Parsing with Large Language Models: A Review [2.2779174914142346]
  大規模言語モデル (LLM) はLLMに基づくログ解析の新しい研究分野を導入した。 有望な結果にもかかわらず、この比較的新しい研究分野におけるアプローチの構造化された概要は存在しない。 この研究は29 LLMベースのログ解析手法を体系的にレビューする。
  論文  参考訳（メタデータ） (2025-04-07T09:41:04Z)
• STAR: Boosting Low-Resource Information Extraction by Structure-to-Text Data Generation with Large Language Models [56.27786433792638]
  STARは大規模言語モデル(LLM)を利用してデータインスタンスを合成するデータ生成手法である。 我々は、初期データインスタンスを取得するための詳細なステップバイステップ命令を設計する。 実験の結果,STARが生成したデータは,低リソースイベント抽出および関係抽出タスクの性能を著しく向上させることがわかった。
  論文  参考訳（メタデータ） (2023-05-24T12:15:19Z)

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。