論文の概要: Adversarial System Variant Approximation to Quantify Process Model
Generalization
- arxiv url: http://arxiv.org/abs/2003.12168v2
- Date: Sun, 25 Oct 2020 01:34:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-19 21:05:52.576834
- Title: Adversarial System Variant Approximation to Quantify Process Model
Generalization
- Title(参考訳): プロセスモデルの一般化を定量化するadversarial system variant approximation
- Authors: Julian Theis and Houshang Darabi
- Abstract要約: プロセスマイニングでは、プロセスモデルはイベントログから抽出され、複数の品質次元を用いて一般的に評価される。
この問題を解決するために,Adversarial System Variant Approximation (AVATAR)と呼ばれる新しいディープラーニングベースの手法が提案されている。
- 参考スコア(独自算出の注目度): 2.538209532048867
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In process mining, process models are extracted from event logs using process
discovery algorithms and are commonly assessed using multiple quality
dimensions. While the metrics that measure the relationship of an extracted
process model to its event log are well-studied, quantifying the level by which
a process model can describe the unobserved behavior of its underlying system
falls short in the literature. In this paper, a novel deep learning-based
methodology called Adversarial System Variant Approximation (AVATAR) is
proposed to overcome this issue. Sequence Generative Adversarial Networks are
trained on the variants contained in an event log with the intention to
approximate the underlying variant distribution of the system behavior.
Unobserved realistic variants are sampled either directly from the Sequence
Generative Adversarial Network or by leveraging the Metropolis-Hastings
algorithm. The degree by which a process model relates to its underlying
unknown system behavior is then quantified based on the realistic observed and
estimated unobserved variants using established process model quality metrics.
Significant performance improvements in revealing realistic unobserved variants
are demonstrated in a controlled experiment on 15 ground truth systems.
Additionally, the proposed methodology is experimentally tested and evaluated
to quantify the generalization of 60 discovered process models with respect to
their systems.
- Abstract(参考訳): プロセスマイニングにおいて、プロセスモデルはプロセス発見アルゴリズムを用いてイベントログから抽出され、一般に複数の品質次元を用いて評価される。
抽出されたプロセスモデルとイベントログの関係を測定するメトリクスはよく研究されているが、プロセスモデルがその基礎となるシステムの観察できない振る舞いを記述できるレベルを定量化することは文献において不足している。
本稿では,この問題を解決するために,Adversarial System Variant Approximation (AVATAR) と呼ばれる新しいディープラーニング手法を提案する。
シーケンス生成逆ネットワークは、システム動作の基盤となる変種分布を近似する目的で、イベントログに含まれる変種に基づいて訓練される。
観測されていない現実的な変種は、Sequence Generative Adversarial Networkから直接サンプリングするか、Metropolis-Hastingsアルゴリズムを利用する。
プロセスモデルがその基盤となる未知のシステムの振る舞いに関連する度合いは、確立されたプロセスモデルの品質指標を用いて、現実的な観察と推定された未観測変量に基づいて定量化される。
現実的な未観測変種を明らかにするための重要な性能改善が、15の真理系の制御実験で実証された。
さらに,提案手法を実験的に検証し,そのシステムに関する60のプロセスモデルの一般化を定量的に評価した。
関連論文リスト
- Rigorous Assessment of Model Inference Accuracy using Language
Cardinality [5.584832154027001]
我々は,統計的推定を決定論的精度尺度に置き換えることで,モデル精度評価におけるバイアスと不確実性を最小化する体系的アプローチを開発する。
我々は、最先端の推論ツールによって推定されるモデルの精度を評価することによって、我々のアプローチの一貫性と適用性を実験的に実証した。
論文 参考訳(メタデータ) (2022-11-29T21:03:26Z) - A Monitoring and Discovery Approach for Declarative Processes Based on
Streams [0.0]
本稿では,イベントストリームから宣言的過程を動的条件応答(DCR)グラフとして抽出する発見アルゴリズムを提案する。
ストリームはプロセスの時間的表現を生成するために監視され、後に宣言的モデルを生成するために処理される。
論文 参考訳(メタデータ) (2022-08-10T14:25:35Z) - Structure-Preserving Learning Using Gaussian Processes and Variational
Integrators [62.31425348954686]
本稿では,機械系の古典力学に対する変分積分器と,ガウス過程の回帰による残留力学の学習の組み合わせを提案する。
我々は、既知のキネマティック制約を持つシステムへのアプローチを拡張し、予測の不確実性に関する公式な境界を提供する。
論文 参考訳(メタデータ) (2021-12-10T11:09:29Z) - On the Performance Analysis of the Adversarial System Variant
Approximation Method to Quantify Process Model Generalization [0.0]
本稿では,非理想的条件下での適応系変数近似の性能について実験的に検討する。
その結果,本手法の作業条件に対する意識を高める必要性が確認された。
論文 参考訳(メタデータ) (2021-07-13T18:27:09Z) - Bootstrapping Generalization of Process Models Discovered From Event
Data [10.574698833115589]
一般化は、発見されたモデルがシステムの将来の実行をいかにうまく記述するかを定量化しようとする。
サンプルに基づいて個体群の特性を推定するためにブートストラップ法を用いる。
実験は、産業環境でのアプローチの実現可能性を示す。
論文 参考訳(メタデータ) (2021-07-08T14:35:56Z) - On Contrastive Representations of Stochastic Processes [53.21653429290478]
プロセスの表現を学習することは、機械学習の新たな問題である。
本手法は,周期関数,3次元オブジェクト,動的プロセスの表現の学習に有効であることを示す。
論文 参考訳(メタデータ) (2021-06-18T11:00:24Z) - A Novel Anomaly Detection Algorithm for Hybrid Production Systems based
on Deep Learning and Timed Automata [73.38551379469533]
DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。
深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。
このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
論文 参考訳(メタデータ) (2020-10-29T08:27:43Z) - Towards Recurrent Autoregressive Flow Models [39.25035894474609]
本稿では,正規化フローを用いた一般的なプロセスモデリングのための手法として,リカレント自己回帰フローを提案する。
提案手法は, ニューラル接続を繰り返す正規化フローのパラメータを条件付けすることにより, 逐次的過程における各変数の条件分布を定義する。
モデルが3つの複雑なプロセスで訓練される一連の実験を通して、このモデルのクラスの有効性を実証する。
論文 参考訳(メタデータ) (2020-06-17T18:38:36Z) - Evaluating the Disentanglement of Deep Generative Models through
Manifold Topology [66.06153115971732]
本稿では,生成モデルのみを用いた乱れの定量化手法を提案する。
複数のデータセットにまたがるいくつかの最先端モデルを実証的に評価する。
論文 参考訳(メタデータ) (2020-06-05T20:54:11Z) - Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。
我々は,再建基準の代替として,異常スコアの代替尺度を提案した。
提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
論文 参考訳(メタデータ) (2020-03-24T08:26:58Z) - Efficiently Sampling Functions from Gaussian Process Posteriors [76.94808614373609]
高速後部サンプリングのための簡易かつ汎用的なアプローチを提案する。
分離されたサンプルパスがガウス過程の後部を通常のコストのごく一部で正確に表現する方法を実証する。
論文 参考訳(メタデータ) (2020-02-21T14:03:16Z)
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。