arXivは2026年9月18日、Daniel Calegari氏とDaniel Amyot氏による新論文「Goal-driven Variant Categorization（目標駆動型のバリアント分類）」を公開した。論文番号はarXiv:2609.22475v1で、人工知能（cs.AI）を主分野としつつ、データベース（cs.DB）とソフトウェア工学（cs.SE）にもまたがる内容であり、DOIは10.48550/arXiv.2609.22475である。
本論文が扱うのは、プロセスマイニングに長く存在する現実的な課題である。プロセス発見（process discovery）の手法は、単一で一貫したプロセス構造を返すことはほとんどなく、実際には多数の異なるプロセスバリアントが得られる。分析では一般に、構造的類似性に基づいてバリアントをクラスタリングし、得られたグループに業務上の意味を付与する。しかし、こうした分割は組織の目標から導かれたものではないため、アナリストはバリアントを手作業で解釈し、業務上意味のあるカテゴリへ統合しなければならない。バリアントの数と複雑さが増すにつれて、この判断負荷の高い作業はますます困難になる。
著者らが提案するのは、このワークフローを逆転させる目標駆動型のバリアント分類アプローチである。最初のステップはクラスタリングではなく、組織の目標モデルを作成することであり、このモデルが分類の軸をあらかじめ定義する。続いて各プロセスバリアントは、その振る舞いを記述したテキスト叙述へ変換され、大規模言語モデル（LLM）が目標モデルの文脈でこの叙述を解釈し、バリアントを最も適切なカテゴリへ割り当てる。LLMに基づく意味推論が、低レベルのプロセス行動とアナリストが定義した業務目標とを結び付ける。
実装面では、著者らはこの考え方をエンドツーエンドのプロセスとして具体化し、規模と振る舞いの多様性が大きく異なる3つの公開ログデータセットで評価した。実験結果は、目標モデルによる誘導で得られる分割が、誘導なしの帰納的クラスタリングとは明確に異なること、さらに目標モデルで宣言された選択肢に対する統制された編集に応じて分割も変化することを示している。これは分類結果が構造的類似性だけでなく、組織の目標によって実際に駆動されていることを意味する。
論文はこの手法のコストも認めている。すなわち、利用者がまず目標モデルを作成する必要があり、これは追加の事前投資となる。したがってこの路線は、説明可能性、目標との整合性、人手コストの間に新たなトレードオフを形成し、プロセスマイニングの結果を業務上の意味へ変換するための、従来のクラスタリングとは異なる道筋を提示している。