論文の概要: A Structural Approach to Dynamic Migration in Petri Net Models of
Structured Workflows
- arxiv url: http://arxiv.org/abs/2004.03592v1
- Date: Tue, 7 Apr 2020 07:05:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-16 00:33:06.430295
- Title: A Structural Approach to Dynamic Migration in Petri Net Models of
Structured Workflows
- Title（参考訳）: 構造ワークフローのペトリネットモデルにおける動的マイグレーションに対する構造的アプローチ
- Authors: Ahana Pradhan and Rushikesh K. Joshi
- Abstract要約: 本稿では,ペトリネットモデルのクラスにおける過大評価問題を解析する。
また, 従来のプロセスと新しいプロセスの構造的特性の観点から, 同じ計算方法についても論じる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the context of dynamic evolution of workflow processes, the change region
identifies the part of the old process from which migration to the new process
is guaranteed to be inconsistent. However, this approach may lead to
overestimated regions, incorrectly identifying migratable instances as
non-migratable. This overestimation causes delays due to postponement of
immediate migration. The paper analyzes this overestimation problem on a class
of Petri nets models. Structural properties leading to conditions for minimal
change regions and overestimations are developed resulting into classification
of change regions into two types of change regions called Structural Change
Regions and Perfect Structural Change Regions. Necessary and sufficient
conditions for perfect regions are identified. The paper also discusses ways
for computing the same in terms of structural properties of the old and the new
processes.
- Abstract（参考訳）: ワークフロープロセスのダイナミックな進化の文脈において、変更領域は、新しいプロセスへの移行が一貫性を欠くことが保証される古いプロセスの一部を特定する。
しかし、このアプローチは過度に見積もられ、ミスグラタブルなインスタンスを非移行可能と誤って特定する可能性がある。
この過大評価は、即時移行の延期による遅延を引き起こす。
本稿では,ペトリネットモデルのクラスにおける過大評価問題を解析する。
最小限の変化領域と過大評価をもたらす構造特性が発達し、変化領域を構造変化領域と完全な構造変化領域という2つのタイプの変化領域に分類する。
完全領域の必要十分条件が特定される。
論文はまた、古いプロセスと新しいプロセスの構造的特性の観点から、同じ計算方法についても論じている。
関連論文リスト
- Generalize or Detect? Towards Robust Semantic Segmentation Under Multiple Distribution Shifts [56.57141696245328]
斬新なクラスとドメインの両方が存在するようなオープンワールドシナリオでは、理想的なセグメンテーションモデルは安全のために異常なクラスを検出する必要がある。
既存の方法はドメインレベルとセマンティックレベルの分散シフトを区別するのに苦労することが多い。
論文 参考訳（メタデータ） (2024-11-06T11:03:02Z) - Characterizing stable regions in the residual stream of LLMs [0.0]
モデル出力が小さいアクティベーション変化に敏感なままであるトランスフォーマーの残ストリーム内の安定領域を同定する。
これらの領域はトレーニング中に出現し、トレーニングの進行やモデルサイズの増加に伴ってより定義される。
論文 参考訳（メタデータ） (2024-09-25T17:27:02Z) - Hard Region Aware Network for Remote Sensing Change Detection [44.269913858088614]
変化検出(CD)は、都市管理や災害評価など、様々な現実世界の応用に不可欠である。
本稿では,ハード領域マイニングによる高精度な変化マップを提供するHRANetと呼ばれる新しい変化検出ネットワークを提案する。
論文 参考訳（メタデータ） (2023-05-31T02:52:38Z) - Discriminative Radial Domain Adaptation [62.22362756424971]
本稿では、ソースとターゲットドメインを共有ラジアル構造を介してブリッジする差別的ラジアルドメイン適応(DRDR)を提案する。
このような固有識別構造を移行することで,特徴伝達性と識別可能性の同時向上が期待できることを示す。
提案手法は,様々なタスクに対する最先端のアプローチを一貫して上回ることを示す。
論文 参考訳（メタデータ） (2023-01-01T10:56:31Z) - Change Detection for Local Explainability in Evolving Data Streams [72.4816340552763]
局所的特徴帰属法はポストホックやモデルに依存しない説明法として人気がある。
ローカルな属性が、ストリーミングやオンラインアプリケーションのような、現実的で絶えず変化する設定でどのように振る舞うかは、しばしば不明である。
局所変化と概念ドリフトを検出するフレキシブルでモデルに依存しないCDLEEDSを提案する。
論文 参考訳（メタデータ） (2022-09-06T18:38:34Z) - Robust Change Detection Based on Neural Descriptor Fields [53.111397800478294]
我々は、部分的に重なり合う観測結果とノイズのある局所化結果に頑健なオブジェクトレベルのオンライン変化検出手法を開発した。
形状符号の類似性を利用して物体を連想させ, 局所的な物体近傍の空間配置を比較することにより, 観測重複や局所雑音に対する頑健性を示す。
論文 参考訳（メタデータ） (2022-08-01T17:45:36Z) - Investigating internal migration with network analysis and latent space
representations: An application to Turkey [0.0]
トルコにおける2008年から2020年までの内部移住の構造と動態を詳細に調査する。
古典的マイグレーション法則の集合を同定し,署名付きネットワーク解析,エゴネットワーク解析,表現学習,時間的安定性解析,ネットワーク可視化の様々な手法を用いて検証する。
この結果は、古典的な移住法に従って、ほとんどの移住リンクは、大きな経済活動を持つ都市を含むいくつかの例外と地理的に結びついていることを示している。
論文 参考訳（メタデータ） (2022-01-10T18:58:02Z) - Learning Neural Models for Natural Language Processing in the Face of
Distributional Shift [10.990447273771592]
特定のデータセットでひとつのタスクを実行するための強力な神経予測器をトレーニングするNLPのパラダイムが、さまざまなアプリケーションで最先端のパフォーマンスを実現している。
データ分布が定常である、すなわち、トレーニングとテストの時間の両方で、データは固定された分布からサンプリングされる、という仮定に基づいて構築される。
この方法でのトレーニングは、人間が絶えず変化する情報の流れの中で学習し、操作できる方法と矛盾する。
データ分散がモデル寿命の経過とともにシフトすることが期待される実世界のユースケースに不適応である。
論文 参考訳（メタデータ） (2021-09-03T14:29:20Z) - Domain Adaptation of Learned Features for Visual Localization [60.6817896667435]
日時,天気,季節などの変化条件下での視覚的局所化の問題に対処する。
近年の深層ニューラルネットワークに基づく学習された局所的特徴は、古典的な手作りの局所的特徴よりも優れた性能を示している。
ドメインギャップを減らすために、いくつかの例しか必要としない、斬新で実践的なアプローチを提案する。
論文 参考訳（メタデータ） (2020-08-21T05:17:32Z) - Cross-domain Object Detection through Coarse-to-Fine Feature Adaptation [62.29076080124199]
本稿では,クロスドメインオブジェクト検出のための特徴適応手法を提案する。
粗粒度では、アテンション機構を採用して前景領域を抽出し、その辺縁分布に応じて整列する。
粒度の細かい段階では、同じカテゴリのグローバルプロトタイプと異なるドメインとの距離を最小化することにより、前景の条件分布アライメントを行う。
論文 参考訳（メタデータ） (2020-03-23T13:40:06Z)
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。