論文の概要: Time Matters: Time-Aware LSTMs for Predictive Business Process Monitoring

• arxiv url: http://arxiv.org/abs/2010.00889v3
• Date: Thu, 5 Nov 2020 12:59:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 00:41:13.049433
• Title: Time Matters: Time-Aware LSTMs for Predictive Business Process Monitoring
• Title（参考訳）: time matters: 予測ビジネスプロセス監視のためのタイムアウェアlstm
• Authors: An Nguyen, Srijeet Chatterjee, Sven Weinzierl, Leo Schwinn, Martin Matzner and Bjoern Eskofier
• Abstract要約: 予測ビジネスプロセス監視(Predictive Business Process Monitoring、PBPM)は、イベントログデータに基づいて進行中のプロセス実行中の将来のプロセス挙動を予測することを目的としている。 時間認識LSTM(T-LSTM)細胞に基づく新しいPBPM手法を提案する。 公開されているベンチマークイベントログの実験から,導入した手法の有効性が示唆された。
• 参考スコア（独自算出の注目度）: 0.31806743741013654
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predictive business process monitoring (PBPM) aims to predict future process behavior during ongoing process executions based on event log data. Especially, techniques for the next activity and timestamp prediction can help to improve the performance of operational business processes. Recently, many PBPM solutions based on deep learning were proposed by researchers. Due to the sequential nature of event log data, a common choice is to apply recurrent neural networks with long short-term memory (LSTM) cells. We argue, that the elapsed time between events is informative. However, current PBPM techniques mainly use 'vanilla' LSTM cells and hand-crafted time-related control flow features. To better model the time dependencies between events, we propose a new PBPM technique based on time-aware LSTM (T-LSTM) cells. T-LSTM cells incorporate the elapsed time between consecutive events inherently to adjust the cell memory. Furthermore, we introduce cost-sensitive learning to account for the common class imbalance in event logs. Our experiments on publicly available benchmark event logs indicate the effectiveness of the introduced techniques.
• Abstract（参考訳）: Predictive Business Process Monitoring (PBPM)は、イベントログデータに基づいて進行中のプロセス実行中の将来のプロセス挙動を予測することを目的としている。 特に、次のアクティビティとタイムスタンプ予測のテクニックは、運用ビジネスプロセスのパフォーマンスを向上させるのに役立ちます。 近年,ディープラーニングに基づく多くのPBPMソリューションが提案されている。 イベントログデータのシーケンシャルな性質のため、長い短期記憶(LSTM)細胞を持つリカレントニューラルネットワークを適用することが一般的な選択である。 イベント間の経過時間は情報である、と私たちは主張する。 しかしながら、現在のPBPM技術は、主に「バニラ」LSTM細胞と手作りの時間的制御フローの特徴を用いる。 イベント間の時間依存性をより良くモデル化するために、時間認識LSTM(T-LSTM)細胞に基づく新しいPBPM手法を提案する。 T-LSTM細胞は、連続イベント間の経過時間を本質的に組み込んで、細胞メモリを調節する。 さらに、イベントログにおける共通クラス不均衡を考慮したコスト感受性学習を導入する。 公開ベンチマークイベントログを用いた実験は,導入手法の有効性を示している。

関連論文リスト

• Cell as Point: One-Stage Framework for Efficient Cell Tracking [54.19259129722988]
  本稿では,一段階の効率的なセルトラッキングを実現するために,新しいエンドツーエンドCAPフレームワークを提案する。 CAPは検出またはセグメンテーション段階を放棄し、細胞点の軌跡間の相関を利用して細胞を共同で追跡することでプロセスを単純化する。 Capは強力なセルトラッキング性能を示し、既存の方法の10倍から55倍の効率を示している。
  論文  参考訳（メタデータ） (2024-11-22T10:16:35Z)
• XTSFormer: Cross-Temporal-Scale Transformer for Irregular Time Event Prediction [9.240950990926796]
  イベント予測は、過去のイベントシーケンスに基づいて、将来のイベントの時間とタイプを予測することを目的としている。 その重要性にもかかわらず、連続するイベント間の時間間隔の不規則性、サイクルの存在、周期性、マルチスケールのイベント相互作用など、いくつかの課題が存在する。
  論文  参考訳（メタデータ） (2024-02-03T20:33:39Z)
• RigLSTM: Recurrent Independent Grid LSTM for Generalizable Sequence Learning [75.61681328968714]
  本稿では,対象タスクの基盤となるモジュール構造を利用するために,リカレントな独立したGrid LSTM(RigLSTM)を提案する。 本モデルでは, セル選択, 入力特徴選択, 隠れ状態選択, ソフト状態更新を採用し, より優れた一般化を実現する。
  論文  参考訳（メタデータ） (2023-11-03T07:40:06Z)
• Time Associated Meta Learning for Clinical Prediction [78.99422473394029]
  本稿では,時間関連メタラーニング(TAML)手法を提案する。 タスク分割後のスパーシリティ問題に対処するため、TAMLは時間情報共有戦略を採用し、正のサンプル数を増やす。 複数の臨床データセットに対するTAMLの有効性を示す。
  論文  参考訳（メタデータ） (2023-03-05T03:54:54Z)
• Can recurrent neural networks learn process model structure? [0.2580765958706854]
  本稿では,適合度,精度,一般化のために,変分に基づく再サンプリングとカスタムメトリクスを組み合わせた評価フレームワークを提案する。 LSTMは、単純化されたプロセスデータであっても、プロセスモデル構造を学ぶのに苦労する可能性があることを確認します。 また,トレーニング中にLSTMで見られる情報量が減少すると,一般化や精度の低下が生じた。
  論文  参考訳（メタデータ） (2022-12-13T08:40:01Z)
• Static Seeding and Clustering of LSTM Embeddings to Learn from Loosely Time-Decoupled Events [0.3058685580689604]
  我々は、特にLong Short-Term Memory (LSTM) ネットワークであるRecurring Neural Networks (RNN) の使用を改善し、より良いタイミング予測を生成するAIソリューションを実現する。 時系列間の類似度を傾向に基づいて測定し,それらの傾向を表す埋め込みを導入する。 埋め込みは、LSTM構造と結合したイベントの特性を表しており、同様に時間的に不整合なイベントを特定するためにクラスタ化することができる。
  論文  参考訳（メタデータ） (2022-08-26T01:00:19Z)
• Seminaive Materialisation in DatalogMTL [10.850687097496373]
  DatalogMTLは、計量時間演算子を備えたDatalogの拡張である。 本稿では,冗長計算を最小化するための物質化に基づく手法を提案する。 実験の結果,DatalogMTLの最適化セミナティブ戦略により,製造時間を大幅に短縮できることがわかった。
  論文  参考訳（メタデータ） (2022-08-15T10:04:44Z)
• Working Memory Connections for LSTM [51.742526187978726]
  ワーキングメモリ接続は,様々なタスクにおけるLSTMの性能を常に向上することを示す。 数値的な結果は、細胞状態がゲート構造に含まれる価値のある情報を含んでいることを示唆している。
  論文  参考訳（メタデータ） (2021-08-31T18:01:30Z)
• ProcessTransformer: Predictive Business Process Monitoring with Transformer Network [0.06445605125467573]
  本稿では,イベントログから高レベル表現を注目ネットワークで学習するプロセストランスフォーマーを提案する。 本モデルでは,複数イベントシーケンスと対応する出力の依存関係を確立するための自己保持機構を,長期記憶に取り入れた。
  論文  参考訳（メタデータ） (2021-04-01T18:58:46Z)
• Online Learning Probabilistic Event Calculus Theories in Answer Set Programming [70.06301658267125]
  イベント認識(CER)システムは、事前に定義されたイベントパターンを使用して、ストリーミングタイムスタンプデータセットで発生を検出する。 本稿では,複雑なイベントパターンによる確率論的推論を,イベント計算で重み付けされたルールの形で行うことができるAnswer Set Programming(ASP)に基づくシステムを提案する。 その結果, 効率と予測の両面で, 新たなアプローチの優位性が示された。
  論文  参考訳（メタデータ） (2021-03-31T23:16:29Z)
• CoCoMoT: Conformance Checking of Multi-Perspective Processes via SMT (Extended Version) [62.96267257163426]
  我々はCoCoMoT(Computing Conformance Modulo Theories)フレームワークを紹介する。 まず、純粋な制御フロー設定で研究したSATベースのエンコーディングを、データ認識ケースに持ち上げる方法を示す。 次に,プロパティ保存型クラスタリングの概念に基づく新しい前処理手法を提案する。
  論文  参考訳（メタデータ） (2021-03-18T20:22:50Z)

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。