Discovery of Process Models from Data and Domain Knowledge
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The rapid expansion of the Internet has resulted not only in the ever-growing amount of data stored therein, but also in the burgeoning complexity of the concepts and phenomena pertaining to that data. This issue has been vividly compared by the renowned statistician J.F. Friedman (Friedman, 1997) of Stanford University to the advances in human mobility from the period of walking afoot to the era of jet travel. These essential changes in data have brought about new challenges in the discovery of new data mining methods, especially the treatment of these data that increasingly involves complex processes that elude classic modeling paradigms. “Hot” datasets like biomedical, financial or net user behavior data are just a few examples. Mining such temporal or stream data is a focal point in the agenda of many research centers and companies worldwide (see, e.g., (Roddick et al., 2001; Aggarwal, 2007)). In the data mining community, there is a rapidly growing interest in developing methods for process mining, e.g., for discovery of structures of temporal processes from observed sample data. Research on process mining (e.g., (Unnikrishnan et al., 2006; de Medeiros et al., 2007; Wu, 2007; Borrett et al., 2007)) have been undertaken by many renowned centers worldwide1. This research is also related to functional data analysis (see, e.g., (Ramsay & Silverman, 2002)), cognitive networks (see, e.g., (Papageorgiou & Stylios, 2008)), and dynamical system modeling, e.g., in biology (see, e.g., (Feng et al., 2007)). We outline an approach to the discovery of processes from data and domain knowledge. The proposed approach to discovery of process models is based on rough-granular computing. In particular, we discuss how changes along trajectories of such processes can be discovered from sample data and domain knowledge.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle