論文の概要: Process-Aware Event Log Augmentation for Process Prediction under Labeled Data Scarcity

• arxiv url: http://arxiv.org/abs/2610.24777v1
• Date: Sat, 17 Oct 2026 16:42:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.268216
• Title: Process-Aware Event Log Augmentation for Process Prediction under Labeled Data Scarcity
• Title（参考訳）: ラベル付きデータScarcityにおけるプロセス予測のためのプロセス対応イベントログ拡張
• Abstract要約: SiamSA-PPMは、シームズ学習と統計的基盤データ拡張を組み合わせた自己教師型フレームワークである。 制御フローのセマンティクスと頻繁な振る舞いパターンを利用して、現実的で意味的に有効なトレース変種を生成する。 SiamSA-PPMは、次のアクティビティと最終的な結果予測タスクの両方において、競争または優れた予測性能を達成する。
• 参考スコア（独自算出の注目度）: 42.41842916853241
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Predictive Process Monitoring (PPM) forecasts future events of ongoing business processes based on event logs. However, deep learning PPM approaches are often limited by labeled data scarcity and the low variability of real-world logs. To address this, we introduce SiamSA-PPM, a self-supervised framework combining Siamese learning with statistically grounded data augmentation. It employs novel transformation methods that leverage control-flow semantics and frequent behavioral patterns to generate realistic, semantically valid trace variants, learning generalizable prefix representations without labeled supervision. Extensive experiments on real-world event logs with a wide range of variability, incorporating exhaustive hyperparameter tuning, demonstrate the value of this process-aware augmentation. Compared to state-of-the-art baselines, SiamSA-PPM achieves competitive or superior predictive performance in both next activity and final outcome prediction tasks. An open source implementation of our method is publicly available under https://github.com/SvStraten/SiamSA-PPM-Extension..
• Abstract（参考訳）: 予測プロセスモニタリング(PPM)は、イベントログに基づいて進行中のビジネスプロセスの将来のイベントを予測する。 しかし、ディープラーニングPPMアプローチは、ラベル付きデータの不足と現実世界のログの低変動によって制限されることが多い。 そこで我々は,シームズ学習と統計的基盤データ拡張を組み合わせた自己教師型フレームワークSiamSA-PPMを紹介する。 制御フローのセマンティクスと頻繁な行動パターンを活用して、現実的で意味的に有効なトレースの変種を生成し、ラベル付き監視なしで一般化可能なプレフィックス表現を学習する。 広範囲の変動性を持つ実世界のイベントログに関する大規模な実験は、徹底的なハイパーパラメータチューニングを取り入れて、このプロセス対応強化の価値を実証している。 最先端のベースラインと比較して、SiamSA-PPMは次のアクティビティと最終的な結果予測タスクの両方において、競争または優れた予測性能を達成する。 本手法のオープンソース実装はhttps://github.com/SvStraten/SiamSA-PPM-Extensionで公開されている。 と。

関連論文リスト

• D-TAIA: Domain-Aware LLM Adaptation for Multi-Task Predictive Process Monitoring [0.30586855806896046]
  3つの条件は既存の手法、すなわちデータ不足、高プロセスエントロピー、分散シフトを劣化させる。 本稿では,FMバックボーンをパラメータ効率で微調整することで,次の活動と継続時間の予測を行うためのフレームワークであるD-TAIAを紹介する。
  論文  参考訳（メタデータ） (2026-08-28T11:53:16Z)
• 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)
• Steering Vision-Language-Action Models as Anti-Exploration: A Test-Time Scaling Approach [78.4812458793128]
  動作チャンクの高忠実度検証に軽量な擬数推定器を適用したテスト時間スケーリングフレームワークである textbfTACO を提案する。 我々の手法は、オフライン強化学習(RL)における古典的な反探索原理に似ており、勾配のないため、計算上の大きな恩恵をもたらす。
  論文  参考訳（メタデータ） (2025-12-02T14:42:54Z)
• Leveraging Data Augmentation and Siamese Learning for Predictive Process Monitoring [42.41842916853241]
  SiamSA-PPMは、Siamese学習と予測プロセス監視のための統計的拡張を組み合わせた、自己教師型学習フレームワークである。 また,SiamSA-PPMは,次の活動および最終結果予測タスクにおいて,SOTAと比較して,競争力や優れた性能を発揮することを示した。
  論文  参考訳（メタデータ） (2025-07-24T10:57:20Z)
• Comprehensive Attribute Encoding and Dynamic LSTM HyperModels for Outcome Oriented Predictive Business Process Monitoring [5.634923879819779]
  予測的ビジネスプロセスモニタリングは、進行中のビジネスプロセスの将来の結果を予測することを目的としています。 既存のメソッドは、同時イベントやクラス不均衡、マルチレベル属性といった現実世界の課題を扱う柔軟性に欠けることが多い。 本稿では,イベント属性とシーケンス属性の2レベル階層符号化を統合した動的LSTMハイパーモデルを提案する。 多次元埋め込みと時間差フラグ拡張を活用する、同時イベントモデリングのための特殊なLSTM変種。
  論文  参考訳（メタデータ） (2025-06-04T08:27:58Z)
• CoCoMoT: Conformance Checking of Multi-Perspective Processes via SMT (Extended Version) [62.96267257163426]
  我々はCoCoMoT(Computing Conformance Modulo Theories)フレームワークを紹介する。 まず、純粋な制御フロー設定で研究したSATベースのエンコーディングを、データ認識ケースに持ち上げる方法を示す。 次に,プロパティ保存型クラスタリングの概念に基づく新しい前処理手法を提案する。
  論文  参考訳（メタデータ） (2021-03-18T20:22:50Z)

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。