論文の概要: Goal-driven Variant Categorization

• arxiv url: http://arxiv.org/abs/2609.22475v1
• Date: Fri, 18 Sep 2026 18:35:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:03.873322
• Title: Goal-driven Variant Categorization
• Title（参考訳）: ゴール駆動型変数分類
• Abstract要約: 変分分類に対するゴール駆動型アプローチを提案する。 このアプローチをエンドツーエンドにインスタンス化し、スケールと行動の多様性が著しく異なる3つの公開ログ上で評価する。
• 参考スコア（独自算出の注目度）: 1.1563024952353949
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Process discovery rarely yields a single coherent process structure. For analysis, a common step is to cluster process variants based on structural similarity and then assign business meaning to the resulting groups. Since these partitions are not derived from the organization's goals, analysts must manually interpret and consolidate variants into business-meaningful categories. This judgment-intensive step becomes increasingly difficult as the number and complexity of variants grow. In this paper, we propose a goal-driven approach to variant categorization that reverses this workflow. We first author an organization's goal model that predefines the categorization axis. Each variant is transformed into a textual narrative describing its behavior, and a Large Language Model (LLM) interprets it in the context of the goal model and assigns the variant to the most appropriate category. LLM-based semantic reasoning connects low-level process behavior with analyst-defined business goals. We instantiate this approach end-to-end and evaluate it on three public logs differing substantially in scale and behavioral diversity. Goal-model guidance yields partitions that differ from those produced by unguided induction and respond to controlled edits to the declared alternatives, at the cost of authoring a goal model.
• Abstract（参考訳）: プロセス発見は、単一のコヒーレントなプロセス構造をもたらすことは滅多にない。 分析において一般的なステップは、構造的類似性に基づいてプロセスの変種をクラスタリングし、ビジネスの意味を結果のグループに割り当てることである。 これらの分割は組織の目標から派生していないため、アナリストは手動で変種をビジネスに意味のあるカテゴリに解釈し、統合する必要がある。 この判断集約的なステップは、変種の数と複雑さが増加するにつれて、ますます困難になる。 本稿では,このワークフローを逆転する変分分類に対するゴール駆動型アプローチを提案する。 私たちはまず、分類軸を事前に定義する組織の目標モデルを作成します。 各変種はその振る舞いを記述する文章の物語に変換され、大言語モデル(LLM)は目標モデルの文脈でそれを解釈し、変種を最も適切なカテゴリーに割り当てる。 LLMに基づくセマンティック推論は、アナリストが定義したビジネス目標と低レベルのプロセスの振る舞いを結びつける。 このアプローチをエンドツーエンドにインスタンス化し、スケールと行動の多様性が著しく異なる3つの公開ログ上で評価する。 ゴールモデルガイダンス(Goal-model guidance)は、未案内の誘導によって生成されたものと異なるパーティションを生成し、宣言された代替案に対する制御された編集に、ゴールモデルのオーサリングを犠牲にして応答する。

関連論文リスト

• PRISM: A Dual View of LLM Reasoning through Semantic Flow and Latent Computation [15.91920027845529]
  PRISM(Probabilistic Reasoning Inspection through Semantic and Implicit Modeling)は、両方のレベルを共同で分析するためのフレームワークおよび診断ツールである。 これは、推論過程における系統的なパターンを明らかにし、失敗した軌道は非生産的な検証ループに閉じ込められる傾向にあることを示した。 PRISMは、最終タスクの精度にのみ依存するのではなく、これらの振る舞いを観測し分析可能にする。
  論文  参考訳（メタデータ） (2026-03-24T03:31:53Z)
• Dynamics Within Latent Chain-of-Thought: An Empirical Study of Causal Structure [58.89643769707751]
  表現空間における潜在連鎖を操作可能な因果過程として研究する。 遅延ステップの予算は、均質な余分な深さよりも、非局所的なルーティングを備えたステージ機能のように振る舞う。 これらの結果は、モード条件と安定性を意識した分析を、潜伏推論システムの解釈と改善のための信頼性の高いツールとして動機付けている。
  論文  参考訳（メタデータ） (2026-02-09T15:25:12Z)
• Step-Aware Policy Optimization for Reasoning in Diffusion Large Language Models [57.42778606399764]
  拡散言語モデル(dLLM)は、テキスト生成に有望で非自己回帰的なパラダイムを提供する。 現在の強化学習アプローチは、しばしばスパースで結果に基づく報酬に頼っている。 これは推論の自然な構造との根本的なミスマッチに由来すると我々は主張する。
  論文  参考訳（メタデータ） (2025-10-02T00:34:15Z)
• Large Language Models Do Multi-Label Classification Differently [41.60681320369492]
  実世界の環境では多言語分類が一般的であるが、この設定におけるLarge Language Models (LLMs) の振る舞いは検討されている。 自己回帰型LLMは,主観的タスクに着目し,マルチラベル分類を行うかを検討する。 第1ラベルの初期確率分布は最終的な出力を反映しないことが多い。
  論文  参考訳（メタデータ） (2025-05-23T06:04:36Z)
• The CoT Encyclopedia: Analyzing, Predicting, and Controlling how a Reasoning Model will Think [81.38614558541772]
  本稿では,モデル推論の分析とステアリングのためのフレームワークであるCoT Encyclopediaを紹介する。 本手法はモデル生成CoTから多種多様な推論基準を自動的に抽出する。 このフレームワークは既存の手法よりも解釈可能で包括的分析が可能であることを示す。
  論文  参考訳（メタデータ） (2025-05-15T11:31:02Z)
• Relative Overfitting and Accept-Reject Framework [5.465098504510676]
  本稿では,性能向上のためにモデルをセグメント化する方法を管理するアンサンブルフレームワークを提案する。 NLPの領域におけるこのフレームワークのパターンを詳述し、コンピュータビジョン(CV)や科学のためのAIなど他の分野に簡単に説明します。
  論文  参考訳（メタデータ） (2025-05-12T17:36:14Z)
• Generative Sentiment Analysis via Latent Category Distribution and Constrained Decoding [30.05158520307257]
  本研究では,生成的感情分析モデルを提案する。 変分オートエンコーダの入力を再構成することにより、モデルがカテゴリとテキストの関係の強さを学習する。 Restaurant-ACOSとLaptop-ACOSデータセットの実験結果は、大幅なパフォーマンス向上を示している。
  論文  参考訳（メタデータ） (2024-07-31T12:29:17Z)
• Domain Generalization via Rationale Invariance [70.32415695574555]
  本稿では,未確認環境においてもロバストな結果の維持を伴う領域一般化の課題を緩和する新たな視点を提供する。 本稿では,最終結果に対する要素的貢献を決定の根拠として扱い,各試料の根拠を行列として表現することを提案する。 提案手法は, 単純性に拘わらず, 様々なデータセット間で競合する結果が得られることを示す。
  論文  参考訳（メタデータ） (2023-08-22T03:31:40Z)
• Autoregressive Structured Prediction with Language Models [73.11519625765301]
  本稿では, PLM を用いた自己回帰的手法を用いて, モデル構造を行動列として記述する。 我々のアプローチは、私たちが見てきた全ての構造化予測タスクにおいて、新しい最先端を実現する。
  論文  参考訳（メタデータ） (2022-10-26T13:27:26Z)
• Attentional Prototype Inference for Few-Shot Segmentation [128.45753577331422]
  数発のセグメンテーションのための確率的潜在変数フレームワークである注意型プロトタイプ推論(API)を提案する。 我々は各オブジェクトカテゴリのプロトタイプを表現するためにグローバル潜在変数を定義し、確率分布としてモデル化する。 我々は4つのベンチマークで広範な実験を行い、提案手法は最先端のプロトタイプベースの手法よりも、少なくとも競争力があり、しばしば優れた性能が得られる。
  論文  参考訳（メタデータ） (2021-05-14T06:58:44Z)
• VCDM: Leveraging Variational Bi-encoding and Deep Contextualized Word Representations for Improved Definition Modeling [24.775371434410328]
  定義モデリングの課題は、単語やフレーズの定義を学習することである。 このタスクの既存のアプローチは差別的であり、直接的ではなく暗黙的に分布的意味論と語彙的意味論を組み合わせたものである。 本稿では、文脈内で使われるフレーズとその定義の基盤となる関係を明示的にモデル化するために、連続潜時変数を導入したタスク生成モデルを提案する。
  論文  参考訳（メタデータ） (2020-10-07T02:48:44Z)

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。