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

• Benchmarks as Microscopes: A Call for Model Metrology [76.64402390208576]
  現代の言語モデル(LM)は、能力評価において新たな課題を提起する。 メトリクスに自信を持つためには、モデルミアロジの新たな規律が必要です。
  論文  参考訳（メタデータ） (2024-07-22T17:52:12Z)
• Process Modeling With Large Language Models [42.0652924091318]
  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)
• Proving the Potential of Skeleton Based Action Recognition to Automate the Analysis of Manual Processes [0.0]
  本研究は、ビデオストリームに基づいて、手動組立プロセスにおける現在の動作クラスを検出する。 現在の動きに関する情報により、KPI(Key-Performance-Indicators)を容易に導出できる。 この分野では最近、機械ビジョンタスクで大きな成功を収めている。 MLパイプラインを開発し、異なる(事前)処理方法とニューラルネットの広範な研究を可能にする。
  論文  参考訳（メタデータ） (2023-10-12T16:11:13Z)
• A Topical Approach to Capturing Customer Insight In Social Media [0.0]
  この研究は、ノイズの多いビッグデータコンテキストにおいて、完全に教師なしのトピック抽出の課題に対処する。 本稿では,変分オートエンコーダフレームワーク上に構築した3つのアプローチを提案する。 我々のモデルは最先端の手法よりも優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2023-07-14T11:15:28Z)
• Benchmarking Automated Machine Learning Methods for Price Forecasting Applications [58.720142291102135]
  自動機械学習(AutoML)ソリューションで手作業で作成したMLパイプラインを置換する可能性を示す。 CRISP-DMプロセスに基づいて,手動MLパイプラインを機械学習と非機械学習に分割した。 本稿では、価格予測の産業利用事例として、ドメイン知識とAutoMLを組み合わせることで、ML専門家への依存が弱まることを示す。
  論文  参考訳（メタデータ） (2023-04-28T10:27:38Z)
• Explainable Artificial Intelligence for Improved Modeling of Processes [6.29494485203591]
  我々は,現代的なトランスフォーマーアーキテクチャと,より古典的なプロセス規則性モデリングの機械学習技術の性能を評価する。 MLモデルは重要な結果を予測することができ、注意機構やXAIコンポーネントが基礎となるプロセスに新たな洞察を与えることを示す。
  論文  参考訳（メタデータ） (2022-12-01T17:56:24Z)
• 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)
• Machine Learning based Indicators to Enhance Process Monitoring by Pattern Recognition [0.4893345190925177]
  パターンタイプと強度を組み合わせた機械学習に基づく指標のための新しいフレームワークを提案する。 半導体産業のケーススタディでは,従来のプロセス制御を越え,高品質な実験結果を得る。
  論文  参考訳（メタデータ） (2021-03-24T10:13:20Z)
• Process Discovery for Structured Program Synthesis [70.29027202357385]
  プロセスマイニングにおける中核的なタスクは、イベントログデータから正確なプロセスモデルを学ぶことを目的としたプロセス発見である。 本稿では,ターゲットプロセスモデルとして(ブロック-)構造化プログラムを直接使用することを提案する。 我々は,このような構造化プログラムプロセスモデルの発見に対して,新たなボトムアップ・アグリメティブ・アプローチを開発する。
  論文  参考訳（メタデータ） (2020-08-13T10:33:10Z)
• Towards CRISP-ML(Q): A Machine Learning Process Model with Quality Assurance Methodology [53.063411515511056]
  本稿では,機械学習アプリケーション開発のためのプロセスモデルを提案する。 第1フェーズでは、データの可用性がプロジェクトの実現可能性に影響を与えることが多いため、ビジネスとデータの理解が結合されます。 第6フェーズでは、機械学習アプリケーションの監視とメンテナンスに関する最先端のアプローチがカバーされている。
  論文  参考訳（メタデータ） (2020-03-11T08:25:49Z)

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。