論文の概要: Process Modeling, Hidden Markov Models, and Non-negative Tensor
Factorization with Model Selection
- arxiv url: http://arxiv.org/abs/2210.01060v1
- Date: Mon, 3 Oct 2022 16:19:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-04 16:35:39.786472
- Title: Process Modeling, Hidden Markov Models, and Non-negative Tensor
Factorization with Model Selection
- Title(参考訳): プロセスモデリング,隠れマルコフモデル,およびモデル選択による非負テンソル因子化
- Authors: Erik Skau, Andrew Hollis, Stephan Eidenbenz, Kim Rasmussen, Boian
Alexandrov
- Abstract要約: プロセス監視は、ユーザーが産業プロセスにおける組織の関与を計測することを可能にする。
データ不足に対処するために、我々はそのプロセスに精通している課題の専門家(SME)の知識を活用する。
本稿では,理論的プロセスモデルと関連する最小隠れマルコフモデルを統合する,数学的に健全な新しい手法を提案する。
- 参考スコア(独自算出の注目度): 0.15658704610960567
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Monitoring of industrial processes is a critical capability in industry and
in government to ensure reliability of production cycles, quick emergency
response, and national security. Process monitoring allows users to gauge the
involvement of an organization in an industrial process or predict the
degradation or aging of machine parts in processes taking place at a remote
location. Similar to many data science applications, we usually only have
access to limited raw data, such as satellite imagery, short video clips, some
event logs, and signatures captured by a small set of sensors. To combat data
scarcity, we leverage the knowledge of subject matter experts (SMEs) who are
familiar with the process. Various process mining techniques have been
developed for this type of analysis; typically such approaches combine
theoretical process models built based on domain expert insights with ad-hoc
integration of available pieces of raw data. Here, we introduce a novel
mathematically sound method that integrates theoretical process models (as
proposed by SMEs) with interrelated minimal Hidden Markov Models (HMM), built
via non-negative tensor factorization and discrete model simulations. Our
method consolidates: (a) Theoretical process models development, (b) Discrete
model simulations (c) HMM, (d) Joint Non-negative Matrix Factorization (NMF)
and Non-negative Tensor Factorization (NTF), and (e) Custom model selection. To
demonstrate our methodology and its abilities, we apply it on simple synthetic
and real world process models.
- Abstract(参考訳): 産業プロセスの監視は、生産サイクル、緊急対応、国家安全保障の信頼性を確保するために、産業および政府において重要な能力である。
プロセスモニタリングにより、ユーザーは産業プロセスにおける組織の関与を計測したり、遠隔地で行われるプロセスにおける機械部品の劣化や老化を予測することができる。
多くのデータサイエンスアプリケーションと同様に、衛星画像、短いビデオクリップ、いくつかのイベントログ、小さなセンサーセットでキャプチャされた署名など、限られた生データのみにアクセスできます。
データ不足に対処するために、我々はそのプロセスに精通している課題の専門家(SME)の知識を活用する。
一般的にこのようなアプローチは、ドメインエキスパートの洞察に基づいて構築された理論的プロセスモデルと、利用可能な生データのアドホックな統合を組み合わせたものです。
本稿では,非負のテンソル因子分解と離散モデルシミュレーションにより構築した相互関連極小隠れマルコフモデル(hmm)と(smesが提案したように)理論過程モデルを統合する,新しい数学的に健全な手法を提案する。
我々の方法が合わさっています
(a)理論的プロセスモデルの開発
b)離散モデルシミュレーション
(c) うーん。
(d)関節非負性マトリックス因子化(NMF)と非負性テンソル因子化(NTF)
(e)カスタムモデル選択。
我々の方法論とその能力を示すために、単純な合成および実世界のプロセスモデルに適用する。
関連論文リスト
- Process Modeling With Large Language Models [45.129578769739]
本稿では,大規模言語モデル(LLM)のプロセスモデリングへの統合について検討する。
プロセスモデルの自動生成と反復的改善にLLMを利用するフレームワークを提案する。
予備的な結果は、プロセスモデリングタスクを合理化するフレームワークの能力を示している。
論文 参考訳(メタデータ) (2024-03-12T11:27:47Z) - Adapting Large Language Models for Content Moderation: Pitfalls in Data
Engineering and Supervised Fine-tuning [79.53130089003986]
大規模言語モデル(LLM)は、様々なドメインでタスクを処理するための実現可能なソリューションとなっている。
本稿では、コンテンツモデレーションのためにプライベートにデプロイ可能なLLMモデルを微調整する方法を紹介する。
論文 参考訳(メタデータ) (2023-10-05T09:09:44Z) - Stochastic Deep Koopman Model for Quality Propagation Analysis in
Multistage Manufacturing Systems [1.178566843877027]
本研究では、MMSの複雑な振る舞いをモデル化するための深いクープマン(SDK)フレームワークを紹介する。
本稿では,変分オートエンコーダから抽出した臨界品質情報を伝搬するクープマン演算子の新たな応用法を提案する。
論文 参考訳(メタデータ) (2023-09-18T22:53:17Z) - A Generative Approach for Production-Aware Industrial Network Traffic
Modeling [70.46446906513677]
ドイツにあるTrumpf工場に配備されたレーザー切断機から発生するネットワークトラフィックデータについて検討した。
我々は、トラフィック統計を分析し、マシンの内部状態間の依存関係をキャプチャし、ネットワークトラフィックを生産状態依存プロセスとしてモデル化する。
可変オートエンコーダ(VAE)、条件付き可変オートエンコーダ(CVAE)、生成逆ネットワーク(GAN)など、様々な生成モデルの性能の比較を行った。
論文 参考訳(メタデータ) (2022-11-11T09:46:58Z) - Deep Learning based pipeline for anomaly detection and quality
enhancement in industrial binder jetting processes [68.8204255655161]
異常検出は、通常の値空間とは異なる異常状態、インスタンス、あるいはデータポイントを検出する方法を記述する。
本稿では,産業生産における人工知能へのデータ中心のアプローチに寄与する。
論文 参考訳(メタデータ) (2022-09-21T08:14:34Z) - Extending Process Discovery with Model Complexity Optimization and
Cyclic States Identification: Application to Healthcare Processes [62.997667081978825]
モデル最適化のための半自動支援を実現するプロセスマイニング手法を提案する。
所望の粒度で生モデルを抽象化するモデル単純化手法が提案されている。
医療分野の異なるアプリケーションから得られた3つのデータセットを用いて、技術的ソリューションの能力を実証することを目的としている。
論文 参考訳(メタデータ) (2022-06-10T16:20:59Z) - Automated simulation and verification of process models discovered by
process mining [0.0]
本稿では,プロセスマイニング技術を用いたプロセスモデルの自動解析手法を提案する。
プロセスマイニングは、さまざまなデバイスによって生成されたイベントデータに隠された、基盤となるプロセスを探索する。
論文 参考訳(メタデータ) (2020-11-03T11:51:53Z) - VAE-LIME: Deep Generative Model Based Approach for Local Data-Driven
Model Interpretability Applied to the Ironmaking Industry [70.10343492784465]
モデル予測だけでなく、その解釈可能性も、プロセスエンジニアに公開する必要があります。
LIMEに基づくモデルに依存しない局所的解釈可能性ソリューションが最近出現し、元の手法が改良された。
本稿では, 燃焼炉で生成する高温金属の温度を推定するデータ駆動型モデルの局所的解釈可能性に関する新しいアプローチ, VAE-LIMEを提案する。
論文 参考訳(メタデータ) (2020-07-15T07:07:07Z) - Introduction to Rare-Event Predictive Modeling for Inferential
Statisticians -- A Hands-On Application in the Prediction of Breakthrough
Patents [0.0]
本稿では,予測性能の最適化を目的とした定量的分析のための機械学習(ML)手法を提案する。
両フィールド間の潜在的な相乗効果について考察する。
我々は,コンピュータサイエンスの用語のデミスティフィケーションを目指して,定量的な社会科学の聴衆に手持ちの予測モデルの導入を行っている。
論文 参考訳(メタデータ) (2020-03-30T13:06:25Z)
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。