論文の概要: On the Performance Analysis of the Adversarial System Variant
Approximation Method to Quantify Process Model Generalization
- arxiv url: http://arxiv.org/abs/2107.06319v1
- Date: Tue, 13 Jul 2021 18:27:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-15 14:26:45.062873
- Title: On the Performance Analysis of the Adversarial System Variant
Approximation Method to Quantify Process Model Generalization
- Title（参考訳）: プロセスモデルの一般化を定量化するadversarial system variant approximation methodの性能解析について
- Authors: Julian Theis, Ilia Mokhtarian, and Houshang Darabi
- Abstract要約: 本稿では,非理想的条件下での適応系変数近似の性能について実験的に検討する。
その結果,本手法の作業条件に対する意識を高める必要性が確認された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Process mining algorithms discover a process model from an event log. The
resulting process model is supposed to describe all possible event sequences of
the underlying system. Generalization is a process model quality dimension of
interest. A generalization metric should quantify the extent to which a process
model represents the observed event sequences contained in the event log and
the unobserved event sequences of the system. Most of the available metrics in
the literature cannot properly quantify the generalization of a process model.
A recently published method [1] called Adversarial System Variant Approximation
leverages Generative Adversarial Networks to approximate the underlying event
sequence distribution of a system from an event log. While this method
demonstrated performance gains over existing methods in measuring the
generalization of process models, its experimental evaluations have been
performed under ideal conditions. This paper experimentally investigates the
performance of Adversarial System Variant Approximation under non-ideal
conditions such as biased and limited event logs. Moreover, experiments are
performed to investigate the originally proposed sampling hyperparameter value
of the method on its performance to measure the generalization. The results
confirm the need to raise awareness about the working conditions of the
Adversarial System Variant Approximation method. The outcomes of this paper
also serve to initiate future research directions.
[1] Theis, Julian, and Houshang Darabi. "Adversarial System Variant
Approximation to Quantify Process Model Generalization." IEEE Access 8 (2020):
194410-194427.
- Abstract（参考訳）: プロセスマイニングアルゴリズムは、イベントログからプロセスモデルを発見する。
結果のプロセスモデルでは、基盤となるシステムのすべてのイベントシーケンスを記述することが求められます。
一般化はプロセスモデルの品質の次元である。
一般化計量は、プロセスモデルがイベントログに含まれる観測されたイベントシーケンスと、システムの観測されていないイベントシーケンスを表す範囲を定量化すべきである。
文献で利用可能なメトリクスのほとんどは、プロセスモデルの一般化を適切に定量化できない。
最近発表されたAdversarial System Variant Approximationと呼ばれる[1]は、Generative Adversarial Networksを利用して、イベントログからシステムの根底にあるイベントシーケンス分布を近似する。
本手法は,プロセスモデルの一般化を計測する既存手法よりも性能が向上することを示したが,その実験的評価は理想的な条件下で行われている。
本稿では,バイアスドや限定イベントログなどの非理想条件下での逆システム変種近似の性能を実験的に検討する。
さらに,本手法で提案するサンプリングハイパーパラメータ値とその性能について,一般化を計測するために実験を行った。
その結果, 逆システム型近似手法の作業条件に対する意識を高める必要性が確認された。
本論文の成果は,今後の研究の方向性にも寄与する。
[1]Theis、Julian、Houshang Darabi。
「プロセスモデル一般化の定量化のための逆系変数近似」
IEEE Access 8 (2020): 194410-194427。
関連論文リスト
- Asymptotically Optimal Change Detection for Unnormalized Pre- and Post-Change Distributions [65.38208224389027]
本稿では,非正規化前および後の変化分布のみがアクセス可能である場合にのみ,変化を検出する問題に対処する。
提案手法は,最適性能を示すことが知られている累積サム統計量の推定に基づく。
論文 参考訳（メタデータ） (2024-10-18T17:13:29Z) - Polynomial Chaos Expanded Gaussian Process [2.287415292857564]
複雑で未知のプロセスでは、大域的モデルは最初実験空間全体にわたって生成される。
本研究では,グローバルな実験空間とローカルな実験空間の両方を効果的に表現するモデルの必要性に対処する。
論文 参考訳（メタデータ） (2024-05-02T07:11:05Z) - Sampling from Arbitrary Functions via PSD Models [55.41644538483948]
まず確率分布をモデル化し,そのモデルからサンプリングする。
これらのモデルでは, 少数の評価値を用いて, 高精度に多数の密度を近似することが可能であることが示され, それらのモデルから効果的にサンプルする簡単なアルゴリズムが提示される。
論文 参考訳（メタデータ） (2021-10-20T12:25:22Z) - Unified Regularity Measures for Sample-wise Learning and Generalization [18.10522585996242]
本稿では,定式化整合表現を用いた2つのプロセスのサンプル正則度尺度を提案する。
ミニバッチSGD最適化のための提案手法の有効性とロバスト性を検証する実験を行った。
論文 参考訳（メタデータ） (2021-08-09T10:11:14Z) - Bootstrapping Generalization of Process Models Discovered From Event
Data [10.574698833115589]
一般化は、発見されたモデルがシステムの将来の実行をいかにうまく記述するかを定量化しようとする。
サンプルに基づいて個体群の特性を推定するためにブートストラップ法を用いる。
実験は、産業環境でのアプローチの実現可能性を示す。
論文 参考訳（メタデータ） (2021-07-08T14:35:56Z) - Pathwise Conditioning of Gaussian Processes [72.61885354624604]
ガウス過程後部をシミュレーションするための従来のアプローチでは、有限個の入力位置のプロセス値の限界分布からサンプルを抽出する。
この分布中心の特徴づけは、所望のランダムベクトルのサイズで3次スケールする生成戦略をもたらす。
条件付けのこのパスワイズ解釈が、ガウス過程の後部を効率的にサンプリングするのに役立てる近似の一般族をいかに生み出すかを示す。
論文 参考訳（メタデータ） (2020-11-08T17:09:37Z) - MAGMA: Inference and Prediction with Multi-Task Gaussian Processes [4.368185344922342]
タスク間で情報を共有するための共通平均プロセスを用いて,新しいマルチタスクガウスプロセス(GP)フレームワークを提案する。
私たちの全体的なアルゴリズムは textscMagma と呼ばれています(MeAn を用いた Multi tAsk Gaussian プロセスに対応しています)。
論文 参考訳（メタデータ） (2020-07-21T11:43:54Z) - A One-step Approach to Covariate Shift Adaptation [82.01909503235385]
多くの機械学習シナリオにおけるデフォルトの前提は、トレーニングとテストサンプルは同じ確率分布から引き出されることである。
予測モデルと関連する重みを1つの最適化で共同で学習する新しいワンステップアプローチを提案する。
論文 参考訳（メタデータ） (2020-07-08T11:35:47Z) - Localized active learning of Gaussian process state space models [63.97366815968177]
多くの共通制御アプリケーションにおいて、優れた性能を達成するためには、グローバルに正確なモデルを必要としない。
本稿では,状態-作用空間の有界部分集合上の正確なモデルを得ることを目的としたガウス過程状態空間モデルに対する能動的学習戦略を提案する。
モデル予測制御を用いることで、探索中に収集した情報を統合し、探索戦略を適応的に改善する。
論文 参考訳（メタデータ） (2020-05-04T05:35:02Z) - Adversarial System Variant Approximation to Quantify Process Model
Generalization [2.538209532048867]
プロセスマイニングでは、プロセスモデルはイベントログから抽出され、複数の品質次元を用いて一般的に評価される。
この問題を解決するために,Adversarial System Variant Approximation (AVATAR)と呼ばれる新しいディープラーニングベースの手法が提案されている。
論文 参考訳（メタデータ） (2020-03-26T22:06:18Z) - Efficiently Sampling Functions from Gaussian Process Posteriors [76.94808614373609]
高速後部サンプリングのための簡易かつ汎用的なアプローチを提案する。
分離されたサンプルパスがガウス過程の後部を通常のコストのごく一部で正確に表現する方法を実証する。
論文 参考訳（メタデータ） (2020-02-21T14:03:16Z)
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。