論文の概要: Causal Discovery of Flight Service Process Based on Event Sequence
- arxiv url: http://arxiv.org/abs/2105.00866v1
- Date: Wed, 28 Apr 2021 12:59:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-06 06:44:43.995460
- Title: Causal Discovery of Flight Service Process Based on Event Sequence
- Title（参考訳）: イベントシーケンスに基づくフライトサービスプロセスの因果発見
- Authors: Zhiwei Xing, Lin Zhang, Huan Xia, Qian Luo, and Zhao-xin Chen
- Abstract要約: ほとんどの地上支援研究は、主に飛行遅延を予測する機械学習手法を使用している。
この研究は、地上支援リンクの背後にある因果メカニズムの詳細な研究は行わず、飛行遅延の真の原因を明らかにしなかった。
本稿では,因果係数を仮定することなくプロセス因果因子の発見を実現する枠組みを提案する。
- 参考スコア（独自算出の注目度）: 3.073402079526278
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The development of the civil aviation industry has continuously increased the
requirements for the efficiency of airport ground support services. In the
existing ground support research, there has not yet been a process model that
directly obtains support from the ground support log to study the causal
relationship between service nodes and flight delays. Most ground support
studies mainly use machine learning methods to predict flight delays, and the
flight support model they are based on is an ideal model. The study did not
conduct an in-depth study of the causal mechanism behind the ground support
link and did not reveal the true cause of flight delays. Therefore, there is a
certain deviation in the prediction of flight delays by machine learning, and
there is a certain deviation between the ideal model based on the research and
the actual service process. Therefore, it is of practical significance to
obtain the process model from the guarantee log and analyze its causality.
However, the existing process causal factor discovery methods only do certain
research when the assumption of causal sufficiency is established and does not
consider the existence of latent variables. Therefore, this article proposes a
framework to realize the discovery of process causal factors without assuming
causal sufficiency. The optimized fuzzy mining process model is used as the
service benchmark model, and the local causal discovery algorithm is used to
discover the causal factors. Under this framework, this paper proposes a new
Markov blanket discovery algorithm that does not assume causal sufficiency to
discover causal factors and uses benchmark data sets for testing. Finally, the
actual flight service data is used.
- Abstract（参考訳）: 民間航空産業の発展は、空港地上支援サービスの効率化の要求を継続的に高めている。
既存の地上支援研究において,サービスノードと飛行遅延の因果関係を研究するために,地上支援ログから直接支援を受けるプロセスモデルがまだ存在していない。
ほとんどの地上支援研究は、主に飛行遅延を予測する機械学習手法を用いており、それらに基づく飛行支援モデルは理想的なモデルである。
この研究は、地上支援リンクの背後にある因果メカニズムの詳細な研究は行わず、飛行遅延の真の原因を明らかにしなかった。
したがって、機械学習による飛行遅延予測には一定の偏差があり、研究に基づく理想的なモデルと実際のサービスプロセスとの間には一定の偏差がある。
したがって、保証ログからプロセスモデルを取得し、その因果関係を分析することは事実上重要である。
しかし、既存のプロセス因果因子発見法は、因果因子の仮定が確立され、潜伏変数の存在を考慮しない場合にのみ、特定の研究を行う。
そこで本稿では,因果関係を前提にせずにプロセス因果要因の発見を実現する枠組みを提案する。
最適化されたファジィマイニングプロセスモデルがサービスベンチマークモデルとして使用され、局所因果探索アルゴリズムが因果因子の探索に使用される。
本稿では,因果因子の探索に因果因子を仮定せず,ベンチマークデータセットを試験に用いる新しいマルコフ毛布探索アルゴリズムを提案する。
最後に、実際のフライトサービスデータを使用する。
関連論文リスト
- CAnDOIT: Causal Discovery with Observational and Interventional Data from Time-Series [4.008958683836471]
CAnDOITは、観測データと介入データの両方を用いて因果モデルを再構築する因果発見手法である。
因果解析における介入データの利用は、ロボット工学のような現実世界の応用には不可欠である。
CAnDOITのPython実装も開発され、GitHubで公開されている。
論文 参考訳（メタデータ） (2024-10-03T13:57:08Z) - Deciphering Air Travel Disruptions: A Machine Learning Approach [0.0]
本研究は、出発時間、航空会社、空港などの要因を調べることにより、飛行遅延傾向を調査する。
遅延に対する様々なソースのコントリビューションを予測するために、回帰機械学習手法を採用している。
論文 参考訳（メタデータ） (2024-08-05T19:45:07Z) - Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。
ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。
また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
論文 参考訳（メタデータ） (2024-02-04T05:50:38Z) - R-Tuning: Instructing Large Language Models to Say `I Don't Know' [66.11375475253007]
大きな言語モデル(LLM)は、優れたパフォーマンスで多くのドメインに革命をもたらしたが、それでもその課題に直面している。
事前の指導チューニング方法は、モデルが知識を知っているかどうかに関わらず、モデルに文章を完成させるよう強制する。
我々はRefusal-Aware Instruction Tuning (R-Tuning)と呼ばれる新しいアプローチを提案する。
実験の結果、R-Tuningは、既知の質問に答えたり、未知の質問に答えるのを控えるモデルの能力を効果的に改善することを示した。
論文 参考訳（メタデータ） (2023-11-16T08:45:44Z) - Hawkes Processes with Delayed Granger Causality [9.664517084506718]
多変量ホークスプロセスに基づく遅延グランガー因果効果を明示的にモデル化する。
時間ラグの後方分布を推測し、この分布が様々なシナリオでどのように変化するかを理解する。
我々は,合成データと実データに基づいて,我々のモデルの事象予測と時間ラグ推定精度を実証的に評価した。
論文 参考訳（メタデータ） (2023-08-11T12:43:43Z) - Contaminant source identification in groundwater by means of artificial
neural network [0.0]
本研究の目的は, 前方および逆輸送問題を解決するために, 複数のシナリオを解析できるデータ駆動モデルを開発することである。
このモデルが生み出す利点は、文学研究と比較された。
論文 参考訳（メタデータ） (2022-07-19T14:51:30Z) - Active Bayesian Causal Inference [72.70593653185078]
因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。
ABCIは因果関係のモデルと関心のクエリを共同で推論する。
我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
論文 参考訳（メタデータ） (2022-06-04T22:38:57Z) - Mining Root Cause Knowledge from Cloud Service Incident Investigations
for AIOps [71.12026848664753]
サービス破壊インシデントの根本原因分析(RCA)は、ITプロセスにおける最も重要かつ複雑なタスクの1つです。
本研究では、Salesforceで構築されたICAと、ダウンストリームのインシデントサーチとレトリーバルベースのRCAパイプラインについて紹介する。
論文 参考訳（メタデータ） (2022-04-21T02:33:34Z) - Learning Causal Models Online [103.87959747047158]
予測モデルは、予測を行うためにデータの急激な相関に依存することができる。
強い一般化を達成するための一つの解決策は、モデルに因果構造を組み込むことである。
本稿では,突発的特徴を継続的に検出・除去するオンラインアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-06-12T20:49:20Z) - CausalVAE: Structured Causal Disentanglement in Variational Autoencoder [52.139696854386976]
変分オートエンコーダ(VAE)の枠組みは、観測から独立した因子をアンタングルするために一般的に用いられる。
本稿では, 因果内因性因子を因果内因性因子に変換する因果層を含むVOEベースの新しいフレームワークCausalVAEを提案する。
その結果、CausalVAEが学習した因果表現は意味論的に解釈可能であり、DAG(Directed Acyclic Graph)としての因果関係は精度良く同定された。
論文 参考訳（メタデータ） (2020-04-18T20:09:34Z)
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。