論文の概要: Discovering Generative Models from Event Logs: Data-driven Simulation vs
Deep Learning
- arxiv url: http://arxiv.org/abs/2009.03567v1
- Date: Tue, 8 Sep 2020 08:04:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-20 20:54:52.604576
- Title: Discovering Generative Models from Event Logs: Data-driven Simulation vs
Deep Learning
- Title(参考訳): イベントログから生成モデルを発見する: データ駆動シミュレーションとディープラーニング
- Authors: Manuel Camargo, Marlon Dumas, Oscar Gonzalez-Rojas
- Abstract要約: 生成モデルは、以前に観測されたデータから新しいデータインスタンスを生成することができる統計モデルである。
本稿では,データ駆動型シミュレーション手法と複数の深層学習手法を実証的に比較し,タイムスタンプ付きイベントによる実行トレースの生成が可能なモデルを構築した。
- 参考スコア(独自算出の注目度): 0.6338178373376447
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A generative model is a statistical model that is able to generate new data
instances from previously observed ones. In the context of business processes,
a generative model creates new execution traces from a set of historical
traces, also known as an event log. Two families of generative process
simulation models have been developed in previous work: data-driven simulation
models and deep learning models. Until now, these two approaches have evolved
independently and their relative performance has not been studied. This paper
fills this gap by empirically comparing a data-driven simulation technique with
multiple deep learning techniques, which construct models are capable of
generating execution traces with timestamped events. The study sheds light into
the relative strengths of both approaches and raises the prospect of developing
hybrid approaches that combine these strengths.
- Abstract(参考訳): 生成モデルは、以前に観測されたデータから新しいデータインスタンスを生成する統計モデルである。
ビジネスプロセスのコンテキストでは、生成モデルは、イベントログとしても知られる一連の履歴トレースから新しい実行トレースを生成する。
データ駆動シミュレーションモデルとディープラーニングモデルという2種類の生成過程シミュレーションモデルが先行研究で開発されている。
これまでこれら2つのアプローチは独立して進化しており、相対的なパフォーマンスは研究されていない。
本稿では,データ駆動型シミュレーション手法と複数の深層学習手法を実証的に比較することにより,このギャップを埋める。
この研究は、両方のアプローチの相対的な強みに光を当て、これらの強みを組み合わせるハイブリッドアプローチの開発の可能性を高める。
関連論文リスト
- Towards Theoretical Understandings of Self-Consuming Generative Models [60.98692028151328]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。
我々は,この学習規則が将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。
我々は拡散モデルに一般結果を特化し、自己消費ループ内での最適な早期停止の有効性などの微妙な洞察を提供する。
論文 参考訳(メタデータ) (2024-02-19T02:08:09Z) - Generative Pre-training for Speech with Flow Matching [85.11403412270099]
我々は,フローマッチングとマスク条件を併用した60k時間の無転写音声に対して,SpeechFlowという生成モデルを事前学習した。
実験結果から,事前学習した生成モデルをタスク固有のデータで微調整し,音声強調,分離,合成に関する既存の専門家モデルに適合または超えることを示す。
論文 参考訳(メタデータ) (2023-10-25T03:40:50Z) - On the Stability of Iterative Retraining of Generative Models on their
own Data [56.153542044045224]
生成モデルの訓練がデータセット(実データと合成データの混合データ)の安定性に及ぼす影響について検討した。
まず、初期生成モデルがデータ分布を十分に近似する条件下で反復学習の安定性を実証する。
我々は,CIFAR10およびFFHQ上の正規化フローと最先端拡散モデルの反復的訓練により,合成画像と自然画像の両方に関する理論を実証的に検証した。
論文 参考訳(メタデータ) (2023-09-30T16:41:04Z) - Statistical Deep Learning for Spatial and Spatio-Temporal Data [0.0]
本稿では,空間的・時間的データをモデル化するための統計的・機械学習的な視点について概観する。
次に、最近、潜在プロセス、データ、パラメータ仕様のために開発された様々なハイブリッドモデルに焦点を当てます。
これらのハイブリッドモデルは、モデリングパラダイムの強みを活用するために、モデリングアイデアとディープニューラルネットワークモデルを統合する。
論文 参考訳(メタデータ) (2022-06-05T16:49:10Z) - Improving Non-autoregressive Generation with Mixup Training [51.61038444990301]
本稿では,事前学習したトランスモデルに基づく非自己回帰生成モデルを提案する。
我々はMIxソースと擬似ターゲットという,シンプルで効果的な反復訓練手法を提案する。
質問生成,要約,パラフレーズ生成を含む3つの世代ベンチマーク実験により,提案手法が新たな最先端結果を実現することを示す。
論文 参考訳(メタデータ) (2021-10-21T13:04:21Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳(メタデータ) (2021-06-25T22:08:51Z) - Learning Accurate Business Process Simulation Models from Event Logs via
Automated Process Discovery and Deep Learning [0.8164433158925593]
データ駆動シミュレーション(DDS)メソッドは、イベントログからプロセスシミュレーションモデルを学ぶ。
ディープラーニング(DL)モデルは、このような時間的ダイナミクスを正確に捉えることができる。
本稿では,イベントログからプロセスシミュレーションモデルを学ぶためのハイブリッド手法を提案する。
論文 参考訳(メタデータ) (2021-03-22T15:34:57Z) - A Data-driven Market Simulator for Small Data Environments [0.5872014229110214]
ニューラルネットワークに基づくデータ駆動市場シミュレーションは、金融時系列をモデリングする新しいフレキシブルな方法を公開する。
本稿では,財務時系列のエンコーディングと評価を行う強力な方法として,大まかなパスパースペクティブと擬似変分自動エンコーダフレームワークが組み合わさった方法を示す。
論文 参考訳(メタデータ) (2020-06-21T14:04:21Z) - Amortized Bayesian model comparison with evidential deep learning [0.12314765641075436]
本稿では,専門的なディープラーニングアーキテクチャを用いたベイズモデルの比較手法を提案する。
提案手法は純粋にシミュレーションベースであり,観測された各データセットに対して,すべての代替モデルを明示的に適合させるステップを回避している。
提案手法は,本研究で検討した事例に対して,精度,キャリブレーション,効率の点で優れた結果が得られることを示す。
論文 参考訳(メタデータ) (2020-04-22T15:15:46Z) - Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。
これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。
この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
論文 参考訳(メタデータ) (2020-02-21T05:00:01Z) - Combining data assimilation and machine learning to emulate a dynamical
model from sparse and noisy observations: a case study with the Lorenz 96
model [0.0]
この方法は、アンサンブルカルマンフィルタとニューラルネットワークを反復的にデータ同化ステップで適用することで構成される。
データ同化は、代理モデルとスパースデータとを最適に組み合わせるために用いられる。
出力分析は空間的に完全であり、サロゲートモデルを更新するためのニューラルネットワークによるトレーニングセットとして使用される。
カオス的な40変数Lorenz 96モデルを用いて数値実験を行い、提案手法の収束と統計的スキルの両立を証明した。
論文 参考訳(メタデータ) (2020-01-06T12:26:52Z)
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。