論文の概要: Freezing Sub-Models During Incremental Process Discovery: Extended Version

• arxiv url: http://arxiv.org/abs/2108.00215v1
• Date: Sat, 31 Jul 2021 11:02:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-03 14:55:41.589981
• Title: Freezing Sub-Models During Incremental Process Discovery: Extended Version
• Title（参考訳）: 増分プロセスディスカバリ中のサブモデル凍結:拡張バージョン
• Authors: Daniel Schuster, Sebastiaan J. van Zelst and Wil M. P. van der Aalst
• Abstract要約: 本稿では,構築中のモデル内のモデル部品を凍結する新しい手法を提案する。 実験により,凍結したサブモデルにより高品質なモデルが得られることが示された。
• 参考スコア（独自算出の注目度）: 0.966840768820136
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Process discovery aims to learn a process model from observed process behavior. From a user's perspective, most discovery algorithms work like a black box. Besides parameter tuning, there is no interaction between the user and the algorithm. Interactive process discovery allows the user to exploit domain knowledge and to guide the discovery process. Previously, an incremental discovery approach has been introduced where a model, considered to be under construction, gets incrementally extended by user-selected process behavior. This paper introduces a novel approach that additionally allows the user to freeze model parts within the model under construction. Frozen sub-models are not altered by the incremental approach when new behavior is added to the model. The user can thus steer the discovery algorithm. Our experiments show that freezing sub-models can lead to higher quality models.
• Abstract（参考訳）: プロセス発見は、観察されたプロセスの振る舞いからプロセスモデルを学ぶことを目的としている。 ユーザの視点では、ほとんどの発見アルゴリズムはブラックボックスのように動作する。 パラメータチューニングの他に、ユーザーとアルゴリズムの間には相互作用がない。 インタラクティブなプロセスディスカバリにより、ユーザはドメイン知識を活用でき、発見プロセスをガイドできる。 これまでは、ユーザが選択したプロセスの振る舞いによってモデルが漸進的に拡張される、インクリメンタルな発見アプローチが導入された。 本稿では,開発中のモデルにおけるモデル部品の凍結を可能にする新しい手法を提案する。 凍結したサブモデルは、モデルに新しい振る舞いを追加するときにインクリメンタルなアプローチによって変更されない。 これにより、ユーザーは発見アルゴリズムを制御できる。 実験により,凍結したサブモデルにより高品質なモデルが得られることが示された。

関連論文リスト

• SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
  我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。 SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。 画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2024-08-19T17:32:15Z)
• INEXA: Interactive and Explainable Process Model Abstraction Through Object-Centric Process Mining [0.0]
  イベントログへのリンクを保持するインタラクティブで説明可能なプロセスモデル抽象化手法であるINEXAを提案する。 出発点として、INEXAは大規模なプロセスモデルを「表示可能な」サイズに集約する。
  論文  参考訳（メタデータ） (2024-03-27T15:03:33Z)
• Generative Active Learning for Image Synthesis Personalization [57.01364199734464]
  本稿では,伝統的に識別モデルを用いて研究されてきた能動的学習の生成モデルへの応用について検討する。 生成モデル上でアクティブな学習を行う上での最大の課題は、クエリのオープンな性質にある。 問合せ処理を半開問題に変換するために,アンカー方向の概念を導入する。
  論文  参考訳（メタデータ） (2024-03-22T06:45:45Z)
• Plug-and-Play Knowledge Injection for Pre-trained Language Models [116.37916535076478]
  外部知識を注入することで、様々な下流NLPタスクにおける事前学習言語モデル(PLM)の性能を向上させることができる。 下流タスクのための新しい知識注入方法や知識ベースを展開するには、大規模な再訓練が必要である。 既存の下流モデルを用いて知識注入の柔軟性と効率を改善する方法について検討する。
  論文  参考訳（メタデータ） (2023-05-28T10:58:00Z)
• Mixtures of Gaussian process experts based on kernel stick-breaking processes [0.6396288020763143]
  本稿では,カーネルスティックブレーキングプロセスに基づくガウスプロセスエキスパートの混合モデルを提案する。 我々のモデルは直感的な魅力を維持しつつ、既存のモデルの性能を改善している。 モデル挙動と予測性能の改善は、6つのデータセットを用いた実験で実証された。
  論文  参考訳（メタデータ） (2023-04-26T21:23:01Z)
• Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
  逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。 しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。 したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
  論文  参考訳（メタデータ） (2022-11-17T19:00:24Z)
• XMD: An End-to-End Framework for Interactive Explanation-Based Debugging of NLP Models [33.81019305179569]
  説明に基づくモデルデバッギングは,モデル動作の説明を人間に示すことによって,突発的なバイアスを解決することを目的としている。 我々は、説明に基づくモデルデバッグのための、最初のオープンソースのエンドツーエンドフレームワークであるXMDを提案する。 XMDは、モデルがユーザーのフィードバックと一致するように規則化することで、モデルをリアルタイムで更新する。
  論文  参考訳（メタデータ） (2022-10-30T23:09:09Z)
• Rewriting Geometric Rules of a GAN [32.22250082294461]
  現在の機械学習アプローチでは、創造的なプロセスの重要な要素を見逃している。 我々は、ユーザが所望の幾何学的変化を伴う少数のオリジナルのモデル出力を編集することで、与えられたモデルを「ワープ」できるようにします。 提案手法により,ユーザが定義した幾何学的変化を伴って無限オブジェクトを合成するモデルを作成し,大規模データセットの計算を伴わずに新たな生成モデルを作成することができる。
  論文  参考訳（メタデータ） (2022-07-28T17:59:36Z)
• How do I update my model? On the resilience of Predictive Process Monitoring models to change [15.29342790344802]
  予測プロセスモニタリング技術は通常、過去のプロセス実行に基づいて予測モデルを構築し、それを新しい進行中のケースの将来を予測するために使用します。 これにより、予測的プロセスモニタリングは、実際の環境で動作するプロセスの変動に対処するには厳格すぎる。 予測モデルの定期的な再検討や漸進的な構築を可能にする3つの戦略の活用を評価した。
  論文  参考訳（メタデータ） (2021-09-08T08:50:56Z)
• STAR: Sparse Transformer-based Action Recognition [61.490243467748314]
  本研究は,空間的次元と時間的次元に細かな注意を払っている新しいスケルトンに基づく人間行動認識モデルを提案する。 実験により、トレーニング可能なパラメータをはるかに少なくし、トレーニングや推論の高速化を図りながら、モデルが同等のパフォーマンスを達成できることが示されている。
  論文  参考訳（メタデータ） (2021-07-15T02:53:11Z)
• Visualising Deep Network's Time-Series Representations [93.73198973454944]
  機械学習モデルの普及にもかかわらず、多くの場合、モデルの内部で起きていることに関する洞察のないブラックボックスとして運用される。 本稿では,多次元時系列データの可視化に着目し,この問題に対処する手法を提案する。 高周波在庫市場データセットの実験は、この方法が迅速かつ識別可能な可視化を提供することを示しています。
  論文  参考訳（メタデータ） (2021-03-12T09:53:34Z)

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。