論文の概要: Gradual Drift Detection in Process Models Using Conformance Metrics
- arxiv url: http://arxiv.org/abs/2207.11007v1
- Date: Fri, 22 Jul 2022 10:56:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-25 12:57:44.364988
- Title: Gradual Drift Detection in Process Models Using Conformance Metrics
- Title（参考訳）: コンフォーマンスメトリックを用いたプロセスモデルにおける動的ドリフト検出
- Authors: Victor Gallego-Fontenla, Juan C. Vidal, Manuel Lama
- Abstract要約: 段階的ドリフトの自動検出に焦点をあてる。これは特別なタイプの変化であり、2つのモデルの場合が一定期間重複する。
提案アルゴリズムは、変更の自動検出を行うための適合性チェックメトリクスに依存し、これらの変更を突然または段階的に完全に自動分類する。
このアプローチは、変更の分布が異なる120のログからなる合成データセットで検証され、検出と分類精度、遅延と変更領域のオーバーラップに関して、主要な最先端アルゴリズムよりも優れた結果が得られる。
- 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: Changes, planned or unexpected, are common during the execution of real-life
processes. Detecting these changes is a must for optimizing the performance of
organizations running such processes. Most of the algorithms present in the
state-of-the-art focus on the detection of sudden changes, leaving aside other
types of changes. In this paper, we will focus on the automatic detection of
gradual drifts, a special type of change, in which the cases of two models
overlap during a period of time. The proposed algorithm relies on conformance
checking metrics to carry out the automatic detection of the changes,
performing also a fully automatic classification of these changes into sudden
or gradual. The approach has been validated with a synthetic dataset consisting
of 120 logs with different distributions of changes, getting better results in
terms of detection and classification accuracy, delay and change region
overlapping than the main state-of-the-art algorithms.
- Abstract（参考訳）: 計画的あるいは予期せぬ変更は、実際のプロセスの実行中によくあることです。
これらの変化を検出するためには、そのようなプロセスを実行する組織のパフォーマンスを最適化する必要がある。
最先端に存在しているアルゴリズムのほとんどは、突然の変化を検出し、他のタイプの変更を残している。
本稿では,段階的ドリフトの自動検出に焦点をあてる。これは特別なタイプの変化であり,2つのモデルの場合が一定期間に重複する。
提案するアルゴリズムは,変更の自動検出を行うための適合性チェックメトリックに依存し,これらの変更を突然あるいは段階的に完全に自動分類する。
このアプローチは、さまざまな変更分布を持つ120のログからなる合成データセットで検証され、主要な最先端アルゴリズムよりも検出と分類精度、遅延と変更領域の重なりにおいて、よりよい結果を得た。
関連論文リスト
- Segment Any Change [64.23961453159454]
本稿では、ゼロショット予測と、見えない変更タイプやデータ分布の一般化をサポートする新しいタイプの変更検出モデルを提案する。
AnyChangeは、トレーニング不要適応法、バイテンポラルラテントマッチングを通じてSAM(Se segment Any Model)上に構築されます。
また、AnyChangeのゼロショットオブジェクト中心の変更検出機能を有効にするためのポイントクエリ機構を提案する。
論文 参考訳（メタデータ） (2024-02-02T07:17:39Z) - Cal-DETR: Calibrated Detection Transformer [67.75361289429013]
本稿では,Deformable-DETR,UP-DETR,DINOのキャリブレーション検出トランス(Cal-DETR)のメカニズムを提案する。
我々は、不確実性を利用してクラスロジットを変調する不確実性誘導ロジット変調機構を開発する。
その結果、Cal-DETRは、ドメイン内およびドメイン外の両方を校正する競合する列車時間法に対して有効であることがわかった。
論文 参考訳（メタデータ） (2023-11-06T22:13:10Z) - Latent Neural Stochastic Differential Equations for Change Point
Detection [0.6445605125467574]
SDE(Latent Neural Differential Equations)に基づく新しい変化点検出アルゴリズムを提案する。
本手法は,プロセスから潜在空間への非線形な深層学習変換を学習し,時間とともにその進化を記述するSDEを推定する。
このアルゴリズムは、学習したプロセスの確率比を異なるタイムスタンプで使い、プロセスの変化点を見つける。
論文 参考訳（メタデータ） (2022-08-22T13:53:13Z) - Online Changepoint Detection on a Budget [5.077509096253692]
変更ポイントは、基礎となるデータの分布の急激なバリエーションである。
本稿では,オフラインの切替点検出アルゴリズムと比較したオンライン切替点検出アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-01-11T00:20:33Z) - Score-Based Change Detection for Gradient-Based Learning Machines [9.670556223243182]
本稿では,経験的リスク最小化により学習した機械学習モデルの任意のコンポーネント数の変化を検出できる汎用的なスコアベース変化検出手法を提案する。
仮説テストの整合性を確立し、所定の誤報率を達成するためにそれを校正する方法を示す。
論文 参考訳（メタデータ） (2021-06-27T01:38:11Z) - A Novel Anomaly Detection Algorithm for Hybrid Production Systems based
on Deep Learning and Timed Automata [73.38551379469533]
DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。
深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。
このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
論文 参考訳（メタデータ） (2020-10-29T08:27:43Z) - Semantic Change Detection with Asymmetric Siamese Networks [71.28665116793138]
2つの空中画像が与えられた場合、セマンティックチェンジ検出は、土地被覆のバリエーションを特定し、それらの変化タイプをピクセルワイド境界で識別することを目的としている。
この問題は、正確な都市計画や天然資源管理など、多くの地球ビジョンに関連するタスクにおいて不可欠である。
本研究では, 広く異なる構造を持つモジュールから得られた特徴対を用いて意味変化を同定し, 同定するための非対称システマネットワーク(ASN)を提案する。
論文 参考訳（メタデータ） (2020-10-12T13:26:30Z) - Change Point Detection in Time Series Data using Autoencoders with a
Time-Invariant Representation [69.34035527763916]
変化点検出(CPD)は、時系列データにおける急激な特性変化を見つけることを目的としている。
近年のCDD法は、深層学習技術を用いる可能性を示したが、信号の自己相関統計学におけるより微妙な変化を識別する能力に欠けることが多い。
我々は、新しい損失関数を持つオートエンコーダに基づく手法を用い、使用済みオートエンコーダは、CDDに適した部分的な時間不変表現を学習する。
論文 参考訳（メタデータ） (2020-08-21T15:03:21Z) - Detecting sudden and gradual drifts in business processes from execution
traces [0.5424799109837066]
ビジネスプロセスのドリフト検出(Business Process drift detection)は、ビジネスプロセスの変化を検出するメソッドのファミリーを指す。
本稿では,突発的および漸進的なビジネスプロセスのドリフトを検出するための,自動的,統計的に基礎づけた手法を提案する。
論文 参考訳（メタデータ） (2020-05-07T16:22:11Z) - Stochastic batch size for adaptive regularization in deep network
optimization [63.68104397173262]
ディープラーニングフレームワークにおける機械学習問題に適用可能な適応正規化を取り入れた一階最適化アルゴリズムを提案する。
一般的なベンチマークデータセットに適用した従来のネットワークモデルに基づく画像分類タスクを用いて,提案アルゴリズムの有効性を実証的に実証した。
論文 参考訳（メタデータ） (2020-04-14T07:54:53Z)
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。