論文の概要: Process Knowledge Driven Change Point Detection for Automated
Calibration of Discrete Event Simulation Models Using Machine Learning
- arxiv url: http://arxiv.org/abs/2005.05385v2
- Date: Mon, 21 Sep 2020 04:24:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-04 20:03:20.023813
- Title: Process Knowledge Driven Change Point Detection for Automated
Calibration of Discrete Event Simulation Models Using Machine Learning
- Title（参考訳）: 機械学習を用いた離散事象シミュレーションモデルの自動校正のためのプロセス知識駆動変化点検出
- Authors: Suleyman Yildirim, Alper Ekrem Murat, Murat Yildirim, Suzan Arslanturk
- Abstract要約: 既存のデータ駆動の変更ポイントメソッドは、変更がシステムに外部にあると仮定する。
本研究では,プロセス駆動型多変量変化点検出(PD-CPD)のための統合フレームワークを提案する。
予測モデルの精度は、実際のプロセスデータがシステム特性のシミュレーションされた変化点に適合する可能性を測定する。
- 参考スコア（独自算出の注目度）: 2.7356119162292654
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Initial development and subsequent calibration of discrete event simulation
models for complex systems require accurate identification of dynamically
changing process characteristics. Existing data driven change point methods
(DD-CPD) assume changes are extraneous to the system, thus cannot utilize
available process knowledge. This work proposes a unified framework for
process-driven multi-variate change point detection (PD-CPD) by combining
change point detection models with machine learning and process-driven
simulation modeling. The PD-CPD, after initializing with DD-CPD's change
point(s), uses simulation models to generate system level outputs as
time-series data streams which are then used to train neural network models to
predict system characteristics and change points. The accuracy of the
predictive models measures the likelihood that the actual process data conforms
to the simulated change points in system characteristics. PD-CPD iteratively
optimizes change points by repeating simulation and predictive model building
steps until the set of change point(s) with the maximum likelihood is
identified. Using an emergency department case study, we show that PD-CPD
significantly improves change point detection accuracy over DD-CPD estimates
and is able to detect actual change points.
- Abstract（参考訳）: 複合システムのための離散イベントシミュレーションモデルの初期開発とその後のキャリブレーションには、動的に変化するプロセス特性の正確な識別が必要である。
既存のデータ駆動変更点法(DD-CPD)は、変更がシステム外にあると仮定し、利用可能なプロセス知識を利用できない。
本研究では,変化点検出モデルと機械学習とプロセス駆動シミュレーションモデルを組み合わせることで,プロセス駆動型多変量変化点検出(PD-CPD)の統一フレームワークを提案する。
pd-cpdはdd-cpdのchange point(s)で初期化した後、シミュレーションモデルを使用して時系列データストリームとしてシステムレベルの出力を生成し、ニューラルネットワークモデルをトレーニングしてシステム特性や変更点を予測する。
予測モデルの精度は、実際のプロセスデータがシステム特性のシミュレーションされた変化点に適合する可能性を測定する。
pd-cpdは、最大確率の変化点の集合が特定されるまで、シミュレーションと予測モデル構築ステップを繰り返して変化点を反復的に最適化する。
PD-CPDはDD-CPD推定値よりも変化点検出精度が有意に向上し,実際の変化点を検出できることを示す。
関連論文リスト
- Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。
本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。
多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
論文 参考訳（メタデータ） (2023-06-14T11:41:42Z) - Deep Metric Learning for Unsupervised Remote Sensing Change Detection [60.89777029184023]
リモートセンシング変化検出(RS-CD)は、マルチテンポラルリモートセンシング画像(MT-RSI)から関連する変化を検出することを目的とする。
既存のRS-CD法の性能は、大規模な注釈付きデータセットのトレーニングによるものである。
本稿では,これらの問題に対処可能なディープメトリック学習に基づく教師なしCD手法を提案する。
論文 参考訳（メタデータ） (2023-03-16T17:52:45Z) - Dynamic Interpretable Change Point Detection [9.879634139205569]
TiVaCPDは、時間変化グラフラッソ(Time-Varying Graphical Lasso)を使用して、時間とともに多次元特徴間の相関パターンの変化を特定するアプローチである。
各種CPの同定・特徴化におけるTiVaCPDの性能評価を行い,本手法が実世界のCPDデータセットにおける最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-11-08T04:04:56Z) - DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG
Signals [62.997667081978825]
我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。
我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。
標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
論文 参考訳（メタデータ） (2021-12-08T13:07:21Z) - Expert-Guided Symmetry Detection in Markov Decision Processes [0.0]
MDP力学が不変である状態-作用空間の変換の存在を検出することを目的としたパラダイムを提案する。
その結果, 検出した対称性を用いて得られたデータを用いてデータセットを拡張した場合, モデル分布シフトが小さくなることがわかった。
論文 参考訳（メタデータ） (2021-11-19T16:12:30Z) - Data-driven Small-signal Modeling for Converter-based Power Systems [7.501426386641255]
本稿では,コンバータを用いた電力系統の研究に有用な,データ駆動型小型信号ベースモデルを導出するための完全な手順を詳述する。
モデルを計算するために、単一DTとアンサンブルDTとスプライン回帰の両方を用いて決定木回帰(DT)を用いた。
モデルの適用可能性について論じ、さらなる電力系統小信号関連研究において、開発モデルの可能性を強調した。
論文 参考訳（メタデータ） (2021-08-30T08:10:45Z) - Principled change point detection via representation learning [0.6047855579999899]
本稿では,CDDタスクの特異性を考慮した基本的微分可微分損失関数を提案する。
本稿では,深層表現学習CPDモデルの訓練のためのエンドツーエンド手法を提案する。
論文 参考訳（メタデータ） (2021-06-04T17:04:13Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳（メタデータ） (2021-02-02T06:15:15Z) - 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) - Sequential Changepoint Detection in Neural Networks with Checkpoints [11.763229353978321]
本稿では,オンライン変化点検出と同時モデル学習のためのフレームワークを提案する。
次々に一般化された確率比テストを行うことにより、経時的に変化点を検出する。
オンラインベイズ変化点検出と比較して性能が向上した。
論文 参考訳（メタデータ） (2020-10-06T21:49:54Z) - Change Point Detection in Time Series Data using Autoencoders with a
Time-Invariant Representation [69.34035527763916]
変化点検出(CPD)は、時系列データにおける急激な特性変化を見つけることを目的としている。
近年のCDD法は、深層学習技術を用いる可能性を示したが、信号の自己相関統計学におけるより微妙な変化を識別する能力に欠けることが多い。
我々は、新しい損失関数を持つオートエンコーダに基づく手法を用い、使用済みオートエンコーダは、CDDに適した部分的な時間不変表現を学習する。
論文 参考訳（メタデータ） (2020-08-21T15:03:21Z)
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。