論文の概要: Extending the MM-AR Metamodeling Platform with Process Mining Capabilities
- arxiv url: http://arxiv.org/abs/2611.05176v2
- Date: Wed, 04 Nov 2026 08:06:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:57.79121
- Title: Extending the MM-AR Metamodeling Platform with Process Mining Capabilities
- Title（参考訳）: プロセスマイニング機能を備えたMM-ARメタモデリングプラットフォームの拡張
- Abstract要約: 我々は、XRベースのメタモデリングプラットフォームが、プラットフォームコアを変更することなく、プロセス発見機能によってどのように拡張できるかを示す。
CSVやXESイベントログに基づいたペトリネットとBPMNモデルを取得するために,3つの共通発見アルゴリズムを用いたアプローチを実証する。
プロトタイプはプロセス情報をエンコードするために第3次元をまだ使用していないが、そのようなアプローチを研究するための基盤を確立した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Process mining derives process models from event data recorded by information systems, but its results are usually presented as two-dimensional visualizations that are separate from the environments in which enterprise models are created and maintained. Metamodeling platforms for extended reality (XR), such as MM-AR, allow users to define modeling languages and to display models in 2D and 3D, but they do not provide access to event data or mining algorithms so far. In this paper we therefore present a first proof-of-concept for showing how an XR-based metamodeling platform can be extended with process discovery capabilities without changes to the platform core through a separate Python service based on the open source PM4Py process mining library. We demonstrate the approach using three common discovery algorithms for obtaining Petri nets and BPMN models based on CSV or XES event logs. A technical evaluation using four public event logs shows that the element counts of the created model instances match those of the PM4Py models in all 16 configurations. The integration adds between about 8 and 53 seconds per run, and this overhead grows with the size of the discovered model rather than the size of the event log. Although the prototype does not yet use the third dimension to encode process information, it established the foundations for studying such approaches.
- Abstract（参考訳）: プロセスマイニングは、情報システムによって記録されたイベントデータからプロセスモデルを導出するが、その結果は、通常、エンタープライズモデルが作成、維持される環境とは分離された2次元の可視化として提示される。
MM-ARのような拡張現実(XR)のためのメタモデリングプラットフォームでは、モデリング言語を定義でき、2Dおよび3Dでモデルを表示することができるが、今のところイベントデータやマイニングアルゴリズムへのアクセスは提供されていない。
そこで本稿では,オープンソースのPM4PyプロセスマイニングライブラリをベースとしたPythonサービスを通じて,プラットフォームコアを変更することなく,プロセス発見機能を備えたXRベースのメタモデリングプラットフォームをどのように拡張できるかを示す,最初の概念実証を行う。
CSVやXESイベントログに基づいたペトリネットとBPMNモデルを取得するために,3つの共通発見アルゴリズムを用いたアプローチを実証する。
4つの公開イベントログを使用した技術的評価では、生成したモデルインスタンスの要素数が、すべての16構成のPM4Pyモデルと一致することが示されている。
統合では、実行毎に約8秒から53秒の間が追加される。このオーバーヘッドは、イベントログのサイズではなく、発見されたモデルのサイズによって増大する。
プロトタイプはプロセス情報をエンコードするために第3次元をまだ使用していないが、そのようなアプローチを研究するための基盤を確立した。
関連論文リスト
- A Machine Learning API for Earth Observation Data Cubes Based on openEO [0.036944296923226316]
本稿では、モデル、モデルアクション(トレーニング、チューニング、推論、検証)、モデル管理の3段階からなるopenEOのためのプロセスレベルMLを提案する。
RとPythonの3つのプロトタイプ実装は、様々な技術スタックで実現可能であることを示している。
論文 参考訳（メタデータ） (2026-09-11T19:14:52Z) - StereoFactory: A Unified Merging Framework for Robust Stereo Matching [61.973843344605655]
ステレオマッチングは、大規模なデータセットでトレーニングされた基礎モデルを通じて進歩しているが、このパラダイムはスケーラビリティのボトルネックに悩まされている。
モデルマージは、ソースチェックポイントが利用可能になった後、特別なモデルからの知識を統合することで、スケーラブルなポストホックな代替手段を提供する。
本稿では,適応モデルマージのための粗大な進化的フレームワークであるStereoFactoryを提案する。
論文 参考訳（メタデータ） (2026-06-16T03:36:59Z) - M*: A Modular, Extensible, Serving System for Multimodal Models [62.77975969000349]
本稿では,複合AIモデルの効率的な提供を目的とした汎用サービスシステムであるM*を提案する。
広範囲の家族から合成モデルを簡潔にキャプチャする方法を示す。
M*はまた、ロボット計画のためのV-JEPA 2-ACロールアウトベースラインを最大12.5倍上回っている。
論文 参考訳（メタデータ） (2026-06-10T21:22:22Z) - Towards Process Mining Use Case Map Models with PM4Py-UCM [1.3660182208844809]
本稿では、既存のPM4Py Pythonライブラリのオープンソース拡張であるPM4Py-UCMをコントリビュートし、解説する。
ユースケースマップ(UCM)モデルを、プロセス発見の第一級出力であるITU-TのUser Requirements Notation(URN)から作成することを目的としている。
論文 参考訳（メタデータ） (2026-06-03T02:07:11Z) - Three Roles, One Model: Role Orchestration at Inference Time to Close the Performance Gap Between Small and Large Agents [0.4666493857924357]
複雑なマルチステップ環境において,推論時足場のみに追加のトレーニング計算を使わずに,小さなモデルの性能を向上させることができるかどうかを検討した。
我々は,AppWorldベンチマークのQwen3-8Bを,完全精度と4ビット量子化構成の両方で評価した。
本格的な推測では、私たちの足場付き8Bモデルは、オリジナルのAppWorld評価からDeepSeek-Coder 33Bインストラクション(7.1%)を上回っています。
論文 参考訳（メタデータ） (2026-04-13T13:40:33Z) - Model Gateway: Model Management Platform for Model-Driven Drug Discovery [0.0]
Model Gatewayは、薬物発見パイプラインで機械学習(ML)と科学計算モデルを管理するための管理プラットフォームである。
このプラットフォームは、MLモデル管理タスクを実行するために、Large Language Model (LLM) AgentsとGenerative AIベースのツールをサポートする。
論文 参考訳（メタデータ） (2025-12-05T06:39:37Z) - 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) - xGen-MM (BLIP-3): A Family of Open Large Multimodal Models [145.5926980973847]
BLIP-3は大規模マルチモーダルモデルを開発するためのオープンフレームワークである。
事前訓練されたベースモデルと微調整された命令を含む4Bと14Bのモデルをリリースする。
我々のモデルは、類似のモデルサイズを持つオープンソースのLMM間での競合性能を示す。
論文 参考訳（メタデータ） (2024-08-16T17:57:01Z) - Predictive process mining by network of classifiers and clusterers: the
PEDF model [0.0]
PEDFモデルは、イベントのシーケンス、期間、追加機能に基づいて学習する。
このモデルはログファイルから2つのデータセットを抽出する必要がある。
論文 参考訳（メタデータ） (2020-11-22T23:27:19Z)
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。