PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.04856v1cs.LG

로컬 프로세스 모델 그룹화를 위한 프레임워크

Framework for Grouping Local Process Models

프로세스 마이닝에서 LPM(Local Process Model) 탐색 알고리즘이 수천 개의 유사한 모델을 생성하는 모델 폭발·반복 문제를 해결하기 위해, 기존 프로세스 모델 유사도 측정 또는 이벤트 로그의 데이터 속성 기반 컨텍스트 비교를 활용해 LPM을 그룹화하고 각 그룹에서 대표 모델을 선택하는 프레임워크를 제안한다. 실험 결과, 상위 점수 LPM 샘플 대비 그룹 대표 모델 샘플이 반복성은 낮추고 이벤트 커버리지는 높이는 것으로 나타났다.

arXiv:2606.11235v1cs.LG

확장 가능하고 통계적으로 건전한 데이터 마이닝을 위한 퓨샷 리샘플링

Few-Shot Resampling for Scalable Statistically-Sound Data Mining

지식 발견의 핵심 단계는 데이터 마이닝 결과의 평가이다. 패턴 마이닝, 그래프 분석 등 여러 응용 분야에서 이 단계는 데이터의 노이즈나 무작위 변동으로 인한 허위 발견을 방지하기 위해 결과의 통계적 유의성 평가를 포함한다. 일부 특정 응용 분야에는 전용 절차가 개발되어 있지만, 리샘플링 기반 접근법은 분석적 결과를 도출할 수 없는 복잡한 분석에서 특히 널리 사용된다. 그러나 현재의 리샘플링 기반 접근법은 수천 개의 리샘플링된 데이터셋을 생성하고 분석해야 하므로, 대규모 데이터셋이나 계산 집약적인 분석에서는 비현실적이다. 본 논문에서는 허위 발견 확률에 대한 엄격한 보장과 함께 데이터 마이닝 결과의 통계적 유의성을 평가하는 단순하고 효과적인 리샘플링 기반 접근법인 FewRS를 소개한다. 우리의 접근법은 리샘플링 기반 접근법이 적용되는 모든 상황에서 사용 가능하다. FewRS는 데이터 마이닝 결과의 품질을 나타내는 검정 통계량의 상한 편차(supremum deviation)에 대한 새로운 경계 유도에 기반한다. 우리는 FewRS가 극히 적은 수의 리샘플링된 데이터셋만 생성하고 분석하면 됨을 증명하며, 이는 광범위한 적용 가능성을 갖춘 고도로 확장 가능한 접근법으로 이어진다. 우리는 패턴 마이닝과 네트워크 분석 같은 일반적인 태스크에서 접근법을 테스트한다. 모든 경우에서 우리의 접근법은 높은 통계적 검정력을 유지하면서 최신 기술 대비 최대 두 자릿수의 실행 시간 단축을 달성하며, 대규모 실세계 데이터셋에서 데이터 마이닝 결과의 통계적 검증을 가능하게 한다.