論文の概要: An empirical investigation of different classifiers, encoding and
ensemble schemes for next event prediction using business process event logs
- arxiv url: http://arxiv.org/abs/2008.10748v1
- Date: Mon, 24 Aug 2020 23:44:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-25 12:16:29.991096
- Title: An empirical investigation of different classifiers, encoding and
ensemble schemes for next event prediction using business process event logs
- Title（参考訳）: ビジネスプロセスイベントログを用いた次のイベント予測のための異なる分類器、エンコーディングおよびアンサンブル方式の実証的研究
- Authors: Bayu Adhi Tama and Marco Comuzzi and Jonghyeon Ko
- Abstract要約: ビジネスプロセス予測モニタリングにおける次のイベント予測タスクについて検討する。
我々は、異なるエンコーディングウィンドウの性能への影響を研究することで、以前公表したベンチマークを拡張した。
- 参考スコア（独自算出の注目度）: 10.6739220877743
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: There is a growing need for empirical benchmarks that support researchers and
practitioners in selecting the best machine learning technique for given
prediction tasks. In this paper, we consider the next event prediction task in
business process predictive monitoring and we extend our previously published
benchmark by studying the impact on the performance of different encoding
windows and of using ensemble schemes. The choice of whether to use ensembles
and which scheme to use often depends on the type of data and classification
task. While there is a general understanding that ensembles perform well in
predictive monitoring of business processes, next event prediction is a task
for which no other benchmarks involving ensembles are available. The proposed
benchmark helps researchers to select a high performing individual classifier
or ensemble scheme given the variability at the case level of the event log
under consideration. Experimental results show that choosing an optimal number
of events for feature encoding is challenging, resulting in the need to
consider each event log individually when selecting an optimal value. Ensemble
schemes improve the performance of low performing classifiers in this task,
such as SVM, whereas high performing classifiers, such as tree-based
classifiers, are not better off when ensemble schemes are considered.
- Abstract（参考訳）: 与えられた予測タスクに最適な機械学習テクニックを選択する際に、研究者や実践者を支援する経験的ベンチマークの必要性が高まっている。
本稿では、ビジネスプロセス予測モニタリングにおける次のイベント予測タスクを考察し、異なるエンコーディングウィンドウの性能とアンサンブルスキームによる影響を調べることにより、先述したベンチマークを拡張する。
アンサンブルを使用するか、どのスキームを使うかの選択は、しばしばデータの種類と分類タスクに依存する。
アンサンブルがビジネスプロセスの予測監視でうまく機能するという一般的な理解があるが、次のイベント予測はアンサンブルを含む他のベンチマークが利用できないタスクである。
提案するベンチマークは,イベントログのケースレベルでの変動性を考慮した,高性能な個別分類器あるいはアンサンブルスキームの選択を支援する。
実験の結果,特徴エンコーディングに最適なイベント数を選択することは困難であり,各イベントログを最適値を選択する際に個別に考慮する必要があることがわかった。
アンサンブルスキームは、SVMのようなこのタスクにおける低パフォーマンスな分類器の性能を改善する一方、ツリーベースの分類器のような高パフォーマンスな分類器は、アンサンブルスキームを考えると、あまり良くない。
関連論文リスト
- Uniting contrastive and generative learning for event sequences models [51.547576949425604]
本研究では,2つの自己指導型学習手法 – 例えば,コントラスト学習と,潜在空間におけるマスクイベントの復元に基づく生成的アプローチ – の統合について検討する。
いくつかの公開データセットで行った実験は、シーケンス分類と次点型予測に焦点を合わせ、統合された手法が個々の手法と比較して優れた性能を達成することを示した。
論文 参考訳（メタデータ） (2024-08-19T13:47:17Z) - Bipartite Ranking Fairness through a Model Agnostic Ordering Adjustment [54.179859639868646]
本稿では,二部類ランキングにおける公平性を実現するためのモデルに依存しない後処理フレームワークxOrderを提案する。
xOrderは、教師なしおよび教師なしの公正度メトリックを含む、さまざまな分類モデルとランキングフェアネスメトリクスと互換性がある。
提案アルゴリズムを,4つのベンチマークデータセットと2つの実世界の患者電子健康記録リポジトリ上で評価した。
論文 参考訳（メタデータ） (2023-07-27T07:42:44Z) - Encoder-Decoder Model for Suffix Prediction in Predictive Monitoring [0.0]
接尾辞予測問題に対するほとんどのアプローチは、次の活動のみを予測する方法を学ぶことによって接尾辞を予測することを学ぶ。
本稿では,プレフィックスの表現学習を推論フェーズから分離するアテンション機構を備えたエンコーダ・デコーダモデルに基づく新しいアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-11-29T11:27:29Z) - Towards Out-of-Distribution Sequential Event Prediction: A Causal
Treatment [72.50906475214457]
シーケンシャルなイベント予測の目標は、一連の歴史的なイベントに基づいて次のイベントを見積もることである。
実際には、次のイベント予測モデルは、一度に収集されたシーケンシャルなデータで訓練される。
文脈固有の表現を学習するための階層的な分岐構造を持つフレームワークを提案する。
論文 参考訳（メタデータ） (2022-10-24T07:54:13Z) - Ensemble pruning via an integer programming approach with diversity
constraints [0.0]
本稿では、二項分類問題を考察し、最適部分集合を選択する整数プログラミング(IP)アプローチを提案する。
アンサンブルにおける最小の多様性レベルを確保するための制約も提案する。
本手法は, 文学において最もよく使われている刈り取り法と比較して, 競争力のある結果をもたらす。
論文 参考訳（メタデータ） (2022-05-02T17:59:11Z) - An end-to-end predict-then-optimize clustering method for intelligent
assignment problems in express systems [11.230576737829777]
本稿では,AOIの今後のピックアップ要求を同時に予測し,クラスタリングによりAOIをクーリエに割り当てる,インテリジェントなエンドツーエンド予測最適化クラスタリング手法を提案する。
その結果, この一段階予測最適化手法は, 最適化結果の性能向上に有効であることが示唆された。
論文 参考訳（メタデータ） (2022-02-18T08:52:43Z) - What Averages Do Not Tell -- Predicting Real Life Processes with
Sequential Deep Learning [0.1376408511310322]
プロセスマイニング(Process Mining)は、システムによってログされた実行データからビジネスプロセスに関する洞察を発見すること。
多くのディープラーニング技術が、プロセス結果の予測を目的とした予測プロセスマイニングに成功している。
プロセスマイニングのトレースはマルチモーダルシーケンスであり、自然言語の文や画像とは全く異なる構造である。
論文 参考訳（メタデータ） (2021-10-19T19:45:05Z) - Online Active Model Selection for Pre-trained Classifiers [72.84853880948894]
我々は,任意のラウンドにおいて高い確率で最良のモデルをラベル付けし,出力する情報的サンプルを積極的に選択するオンライン選択的サンプリング手法を設計する。
我々のアルゴリズムは、敵とストリームの両方のオンライン予測タスクに利用できる。
論文 参考訳（メタデータ） (2020-10-19T19:53:15Z) - Automated Concatenation of Embeddings for Structured Prediction [75.44925576268052]
本稿では, 埋め込みの自動結合(ACE)を提案し, 構造予測タスクにおける埋め込みのより優れた結合を見つけるプロセスを自動化する。
我々は、強化学習の戦略に従い、制御器のパラメータを最適化し、タスクモデルの精度に基づいて報酬を計算する。
論文 参考訳（メタデータ） (2020-10-10T14:03:20Z) - Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking
Fairness and Algorithm Utility [54.179859639868646]
Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。
学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。
本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-15T10:08:39Z)
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。