論文の概要: Leveraging contextual events on structure-aware next activity prediction

• arxiv url: http://arxiv.org/abs/2609.08622v1
• Date: Tue, 08 Sep 2026 11:57:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.642033
• Title: Leveraging contextual events on structure-aware next activity prediction
• Title（参考訳）: 構造認識次活動予測における文脈イベントの活用
• Abstract要約: 本稿では,コンテキスト情報をエンコードするインスタンスグラフの概念に基づくアプローチを提案する。 予測性能への影響を計測し,いくつかの符号化手法を提案し,評価した。 提案手法は実世界の複数のイベントログ上で評価され,実験結果からコンテキストプロセスインスタンスを組み込むことで予測性能が向上することが示された。
• 参考スコア（独自算出の注目度）: 43.2583980629588
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predictive process monitoring aims at forecasting various aspects of running processes. Among the different tasks, next activity prediction represents the most extensively investigated. However, only a limited number of existing approaches explicitly encode contextual information, i.e., the environmental conditions in which the process is executed, typically modeled through event log attributes or aggregated measures. In this paper, an approach based on the concept of Instance Graphs is introduced. To incorporate contextual process instances, several encoding strategies are proposed and evaluated by measuring their impact on prediction performance. For each encoding strategy, a set of prefix-Instance Graphs is generated and subsequently provided as input to a Graph Neural Network for the classification task. The proposed approach is evaluated on multiple real-world event logs, and the experimental results demonstrate that incorporating contextual process instances benefits prediction performance.
• Abstract（参考訳）: 予測プロセス監視は、実行中のプロセスの様々な側面を予測することを目的としている。 様々なタスクの中で、次のアクティビティ予測は最も広範囲に調査されている。 しかしながら、コンテキスト情報、すなわちプロセスが実行される環境条件を明示的にエンコードする既存のアプローチの限られた数、通常はイベントログ属性や集約された測度によってモデル化される。 本稿では,インスタンスグラフの概念に基づくアプローチを提案する。 コンテキストプロセスのインスタンスを組み込むため、予測性能への影響を計測し、いくつかのエンコーディング戦略を提案し、評価する。 各エンコーディング戦略について、プレフィックスインスタンスグラフのセットを生成し、その後、分類タスクのためのグラフニューラルネットワークへの入力として提供する。 提案手法は実世界の複数のイベントログ上で評価され,実験結果からコンテキストプロセスインスタンスを組み込むことで予測性能が向上することが示された。

関連論文リスト

• Feature Attribution-Based Explainability Analysis of Deep Learning Models in Predictive Process Monitoring [2.9503907416726745]
  結果予測における深部ニューラルネットワークの局所的ポストホック説明可能性法を提案する。 この方法は、トレースを意味のあるセグメントに分割する制御フロー認識セグメンテーションアルゴリズムに依存している。 オランダの自治体のローン申請プロセスと管理プロセスから,実世界のイベントログにその有用性を示す。
  論文  参考訳（メタデータ） (2026-07-20T10:15:47Z)
• TapSampling: Inference-Time Sampling with a Task-Progress-Understanding Verifier for Robotic Manipulation [61.35569005726248]
  既存の具体的制御研究は、トレーニングデータとモデルサイズをスケールすることで、顕著なパフォーマンス向上を示す。 拡散や自己回帰モデルのような非決定論的生成モデルは、エンボディドコントロールの分野で広く採用されている。 推測時間サンプリングのためのプラグイン・アンド・プレイフレームワークである textbfTapSampling を提案する。
  論文  参考訳（メタデータ） (2026-05-25T08:03:31Z)
• Instance-Aware Graph Prompt Learning [71.26108600288308]
  本稿では,インスタンス対応グラフプロンプト学習(IA-GPL)について紹介する。 このプロセスでは、軽量アーキテクチャを使用して各インスタンスの中間プロンプトを生成する。 複数のデータセットと設定で実施された実験は、最先端のベースラインと比較して、IA-GPLの優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-11-26T18:38:38Z)
• Uniting contrastive and generative learning for event sequences models [51.547576949425604]
  本研究では,2つの自己指導型学習手法 – 例えば,コントラスト学習と,潜在空間におけるマスクイベントの復元に基づく生成的アプローチ – の統合について検討する。 いくつかの公開データセットで行った実験は、シーケンス分類と次点型予測に焦点を合わせ、統合された手法が個々の手法と比較して優れた性能を達成することを示した。
  論文  参考訳（メタデータ） (2024-08-19T13:47:17Z)
• Detecting Anomalous Events in Object-centric Business Processes via Graph Neural Networks [55.583478485027]
  本研究では,ビジネスプロセスにおける異常検出のための新しいフレームワークを提案する。 まず、属性グラフとしてオブジェクト中心のイベントログのプロセス依存性を再構築する。 次に、異常事象を検出するために、グラフ畳み込みオートエンコーダアーキテクチャを用いる。
  論文  参考訳（メタデータ） (2024-02-14T14:17:56Z)
• PELP: Pioneer Event Log Prediction Using Sequence-to-Sequence Neural Networks [13.221876371019718]
  本稿では,シークエンス・ツー・シークエンス・ディープ・ラーニング・アプローチを用いたイベントログ予測問題の解法を提案する。 種々の合成ログと7つの実生活ログの予測結果の評価と解析を行った。
  論文  参考訳（メタデータ） (2023-12-15T12:30:30Z)
• What Averages Do Not Tell -- Predicting Real Life Processes with Sequential Deep Learning [0.1376408511310322]
  プロセスマイニング(Process Mining)は、システムによってログされた実行データからビジネスプロセスに関する洞察を発見すること。 多くのディープラーニング技術が、プロセス結果の予測を目的とした予測プロセスマイニングに成功している。 プロセスマイニングのトレースはマルチモーダルシーケンスであり、自然言語の文や画像とは全く異なる構造である。
  論文  参考訳（メタデータ） (2021-10-19T19:45:05Z)
• Text-Aware Predictive Monitoring of Business Processes [0.8602553195689513]
  我々は,Long Short-Term Memory(LSTM)ニューラルネットワークと自然言語モデルに基づく,新しいテキスト認識プロセス予測モデルを開発した。 提案モデルは,次のイベントのアクティビティとタイムスタンプ,結果,実行中のプロセスインスタンスのサイクル時間を予測するために,イベントデータのカテゴリ的,数値的,テキスト的属性を考慮に入れることができる。 実験により、テキストデータを含むシミュレーションおよび実世界のイベントログにおいて、テキスト認識モデルが最先端プロセス予測手法を上回ることができることを示した。
  論文  参考訳（メタデータ） (2021-04-20T13:51:27Z)
• Instance-Aware Predictive Navigation in Multi-Agent Environments [93.15055834395304]
  エージェント間の相互作用と将来のシーン構造を予測するIPC(Instance-Aware Predictive Control)アプローチを提案する。 我々は,ego中心の視点でエージェント間のインタラクションを推定するために,新しいマルチインスタンスイベント予測モジュールを採用する。 シーンレベルとインスタンスレベルの両方の予測状態をより有効活用するために、一連のアクションサンプリング戦略を設計します。
  論文  参考訳（メタデータ） (2021-01-14T22:21:25Z)
• Cause vs. Effect in Context-Sensitive Prediction of Business Process Instances [0.440401067183266]
  本稿では、次の事象の原因または影響のコンテキストの問題と、次の事象の予測への影響について論じる。 確率モデルに関する従来の研究を活用し、動的ベイズネットワーク技術を開発した。 本稿では,本手法を2つの実生活データセットを用いて評価し,予測プロセス監視分野の他の手法とベンチマークする。
  論文  参考訳（メタデータ） (2020-07-15T08:58:15Z)

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。