論文の概要: Structure-Aware Message Passing on Petri Nets through Directed Walks and Incidence Diffusion
- arxiv url: http://arxiv.org/abs/2610.29725v1
- Date: Wed, 21 Oct 2026 13:31:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 00:40:06.372516
- Title: Structure-Aware Message Passing on Petri Nets through Directed Walks and Incidence Diffusion
- Title（参考訳）: 直進歩行と入射拡散によるペトリネット上の構造認識メッセージパッシング
- Abstract要約: 観測されたイベントデータをペトリネットを用いて、向き付けされたグラフィカルなプロセスモデルに結びつけることを学ぶ。
我々は、網の構造の中に隠された暗黙的な2つの重要な側面を露呈する:有向サイクル(プロセスループ)と、網の入射行列によって記録された不変量である。
96 Process Discovery Contest 2023モデルの生成要因を予測する際に, マクロバランスの精度を高める。
- 参考スコア（独自算出の注目度）: 3.4265828682659705
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A common application of the process mining discipline is to connect observed event data with Petri nets, which are bipartite, directed graphical process models with rich formal underpinnings. Recent work learns vector representations of Petri nets to retrieve process models and relate them to event logs, but leaves implicit two key aspects hidden within the net's structure: directed cycles (process loops) and invariants recorded by the net's incidence matrix. We expose both of these to message-passing graph neural networks, through a positional encoding built from return probabilities of directed place-transition walks (PNRWPE), and through same-type messages gated by diffusion kernels of the incidence matrix (DA-PNGNN). Our constructions raise macro balanced accuracy in predicting the generation factors of the 96 Process Discovery Contest 2023 models from 0.751 to 0.796 with PNRWPE, which nearly doubles accuracy on process loops, and to 0.830 with DA-PNGNN, which, without retuning, also improves net-to-tree retrieval top-1 accuracy on the self-supervised ProcRosetta benchmark by 4.1 to 5.9 points.
- Abstract（参考訳）: プロセスマイニング分野の一般的な応用は、観測されたイベントデータをペトリネットに接続することである。
最近の研究は、ペトリネットのベクトル表現を学習してプロセスモデルを取得し、イベントログに関連付けるが、ネットの構造内に隠された2つの重要な側面を暗黙的に残す。
我々はこれらをメッセージパスグラフニューラルネットワークに公開し、指向的位置遷移ウォーク(PNRWPE)の戻り確率から構築された位置符号化と、出現行列(DA-PNGNN)の拡散カーネルによって伝達される同型メッセージを通して、その両方を出力する。
PNRWPEの96 Process Discovery Contest 2023モデルの生成係数を0.751から0.796に予測し、プロセスループの精度をほぼ2倍にし、DA-PNGNNの0.830に修正することなく、自己教師型ProcRosettaベンチマークのネット・ツリー検索トップ1の精度を4.1から5.9ポイント改善した。
関連論文リスト
- GroundAnything: Reconciling Parallel Decoding with Precise Visual Grounding at Flash Speed [71.05944634852158]
GroundAnythingはブロックワイズによる正確なローカライゼーションで高速並列デコーディングを再構成する。
30のグラウンドベンチマークで、私たちの自己回帰型であるGroundAnything-VLMは、この技術の新たな全体的な状態を確立します。
エントロピー誘導復号法により、GroundAnythingは、この規模の芸術の先行状態を超越している。
論文 参考訳（メタデータ） (2026-09-30T12:20:51Z) - NeoHorse-1: Towards Recursive Self-Improvement via Agentic Post-Training with Routing Harness [76.6324710887112]
NeoHorse-1は、エージェントのポストトレーニングを通じてこの経路を探索するために開発されたエージェントネイティブモデルのファミリーである。
本システムでは,異種モデルプールとインテリジェントなルーティング,予測能力要求,選択されたサービス層,およびその後のユーザ毎のインタラクションを結合する。
論文 参考訳（メタデータ） (2026-09-08T03:14:54Z) - Context Features Are Cheap: Rank-Aware Decomposition for Efficient Feature Interaction in Recommender Systems [0.0]
本稿では,リコメンデータシステムにおける支配的相互作用機構に適用可能なランクアウェア分解について述べる。
この分解は、コンテキストのみの計算を、元のモデルと同等の1/1の要求から1/1の要求に移行する。
DLRMスタイルのランサーをアーキテクチャ変更せずに生産する場合、分解はポッド当たりのスループットを87.5%向上させる。
論文 参考訳（メタデータ） (2026-05-24T13:35:36Z) - Hierarchical Attention-based Graph Neural Network with Relevance-driven Pruning [0.0]
グラフニューラルネットワーク(GNN)は、リレーショナル推論において優れているが、2つの永続的な課題に直面している。
本稿では,階層型アテンションに基づくヘテロジニアスGNN(HA-HeteroGNN)を提案する。
2層アテンション機構は16ノードタイプと18エッジタイプにまたがるセンサレベルとコンテキストレベルの勾配を分離し、アテンションベースGNN Explainerを介してノード単位のレバレンススコアを生成する
論文 参考訳（メタデータ） (2026-05-10T04:05:36Z) - Differentiable latent structure discovery for interpretable forecasting in clinical time series [38.473526928012724]
連続時間多タスクガウス過程であるStructGPを導入し, 基本的不確かさを保ちながら, 相違構造学習と相違構造学習を組み合わせ, 相互依存の有向非巡回グラフ(DAG)を導出する。
LP-StructGPは,被験者特異的カップリングフィルタとソフトマックスゲーティング機構を用いて,患者間の進行パターンを捉えることで,StructGPを潜在経路に分割し,時間的に変化する軌跡を増大させる。
論文 参考訳（メタデータ） (2026-04-30T14:59:50Z) - EAGLE: Edge-Aware Graph Learning for Proactive Delivery Delay Prediction in Smart Logistics Networks [0.5653106385738822]
本稿では,プロアクティブサプライチェーンリスク管理のためのハイブリッドディープラーニングフレームワークを提案する。
提案手法は,軽量な Transformer patch encoder を用いて時間次数フローのダイナミクスを共同でモデル化する。
このフレームワークは0.0089のクロスシードF1標準偏差を示しており、最高の改良版よりも3.8倍改善されている。
論文 参考訳（メタデータ） (2026-04-06T23:35:15Z) - TorchLean: Formalizing Neural Networks in Lean [71.68907600404513]
本稿では,学習モデルを一級数学的対象として扱うフレームワークであるTorchLeanを紹介する。
我々はTorchLeanのエンドツーエンドを、証明された堅牢性、PINNの物理インフォームド残差、Lyapunovスタイルのニューラルコントローラ検証で検証する。
論文 参考訳（メタデータ） (2026-02-26T05:11:44Z) - Insider Threat Detection Using GCN and Bi-LSTM with Explicit and Implicit Graph Representations [3.294619412118624]
インサイダー脅威検出(ITD)は,信頼されたユーザによる悪意ある行為の微妙で隠された性質のため,課題である。
本稿では,明示的かつ暗黙的なグラフ表現と時間的モデリングを統合し,複雑なユーザ行動パターンをキャプチャするポストホックITDフレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-20T19:48:35Z) - Retrosynthetic Planning with Dual Value Networks [107.97218669277913]
我々は、PDVN(Planning with Dual Value Networks)と呼ばれる新しいオンライントレーニングアルゴリズムを提案する。
PDVNは計画段階と更新段階を交互に行い、分子の合成性とコストを予測する。
広く使われているUSPTOデータセットでは、PDVNアルゴリズムが既存のマルチステッププランナの探索成功率を改善する。
論文 参考訳（メタデータ） (2023-01-31T16:43:53Z) - Pre-Trained Models for Heterogeneous Information Networks [57.78194356302626]
異種情報ネットワークの特徴を捉えるための自己教師付き事前学習・微調整フレームワークPF-HINを提案する。
PF-HINは4つのデータセットにおいて、各タスクにおける最先端の代替よりも一貫して、大幅に優れています。
論文 参考訳（メタデータ） (2020-07-07T03:36:28Z)
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。