論文の概要: CoSMo: a Framework for Implementing Conditioned Process Simulation
Models
- arxiv url: http://arxiv.org/abs/2303.17879v1
- Date: Fri, 31 Mar 2023 08:26:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-03 14:50:18.354000
- Title: CoSMo: a Framework for Implementing Conditioned Process Simulation
Models
- Title(参考訳): CoSMo: 条件付きプロセスシミュレーションモデルを実装するフレームワーク
- Authors: Rafael S. Oyamada and Gabriel M. Tavares and Paolo Ceravolo
- Abstract要約: プロセスシミュレーションは、プロセスマイニングにおける分析ツールで、変更の影響を測定し、損失を防止し、リスクやコストなしでプロセスを更新します。
いくつかのプロセスシミュレーション技術が利用可能であり、通常は特定のイベントログから発見されたプロセスモデルに基づいて構築されるか、ディープラーニングを通じて学習される。
ディープラーニングのアプローチによって達成された優れたパフォーマンスにもかかわらず、シナリオに適用してユーザ価値を生成するのは相変わらず適していない。
- 参考スコア(独自算出の注目度): 0.38673630752805443
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Process simulation is an analysis tool in process mining that allows users to
measure the impact of changes, prevent losses, and update the process without
risks or costs. In the literature, several process simulation techniques are
available and they are usually built upon process models discovered from a
given event log or learned via deep learning. Each group of approaches has its
own strengths and limitations. The former is usually restricted to the
control-flow but it is more interpretable, whereas the latter is not
interpretable by nature but has a greater generalization capability on large
event logs. Despite the great performance achieved by deep learning approaches,
they are still not suitable to be applied to real scenarios and generate value
for users. This issue is mainly due to fact their stochasticity is hard to
control. To address this problem, we propose the CoSMo framework for
implementing process simulation models fully based on deep learning. This
framework enables simulating event logs that satisfy a constraint by
conditioning the learning phase of a deep neural network. Throughout
experiments, the simulation is validated from both control-flow and data-flow
perspectives, demonstrating the proposed framework's capability of simulating
cases while satisfying imposed conditions.
- Abstract(参考訳): プロセスシミュレーションはプロセスマイニングの分析ツールであり、ユーザは変更の影響を計測し、損失を防ぎ、リスクやコストなしでプロセスを更新することができる。
文献では、いくつかのプロセスシミュレーション技術が利用可能であり、通常は特定のイベントログから発見されたプロセスモデルに基づいて構築される。
それぞれのアプローチには強みと限界があります。
前者は制御フローに制限されるが、後者はより解釈可能であるが、後者は自然では解釈できないが、大きなイベントログに対してより一般化能力を持つ。
ディープラーニングのアプローチによって達成された優れたパフォーマンスにもかかわらず、実際のシナリオに適用し、ユーザに価値を生み出すのは相応しいものではない。
この問題は、主に彼らの確率性は制御が難しいためである。
この問題に対処するために,ディープラーニングに基づくプロセスシミュレーションモデルを実装するためのCoSMoフレームワークを提案する。
このフレームワークは、ディープニューラルネットワークの学習フェーズを条件付けすることで、制約を満たすイベントログをシミュレートすることができる。
実験を通して、シミュレーションは制御フローとデータフローの両方の観点から検証され、与えられた条件を満たしながらケースをシミュレートするフレームワークの能力を示す。
関連論文リスト
- MISS: Memory-efficient Instance Segmentation Framework By Visual Inductive Priors Flow Propagation [8.727456619750983]
トレーニングデータセットへの視覚的事前の戦略的統合は、テストデータ分布との整合性を高める潜在的なソリューションとして現れます。
MISSの有効性を実証的に評価し、限られたデータ可用性とメモリ制約を特徴とするシナリオにおいて、賞賛可能な性能を示す。
論文 参考訳(メタデータ) (2024-03-18T08:52:23Z) - Mining a Minimal Set of Behavioral Patterns using Incremental Evaluation [3.16536213610547]
行動パターンマイニングへの既存のアプローチには2つの制限がある。
まず、インクリメンタルな計算がパターン候補の生成にのみ組み込まれるため、スケーラビリティが制限される。
第二に、マイニングされたパターンに基づくプロセス分析は、実用的なアプリケーションシナリオで得られるパターンが圧倒的に多いため、限られた効果しか示さない。
論文 参考訳(メタデータ) (2024-02-05T11:41:37Z) - Discovering Hierarchical Process Models: an Approach Based on Events
Clustering [0.0]
本稿では,2段階のワークフローネットとして表現される階層的プロセスモデルを発見するアルゴリズムを提案する。
既存のソリューションとは異なり、我々のアルゴリズムはプロセス制御フローに制限を課さず、反復を可能にする。
論文 参考訳(メタデータ) (2023-03-12T11:05:40Z) - GLUECons: A Generic Benchmark for Learning Under Constraints [102.78051169725455]
本研究では,自然言語処理とコンピュータビジョンの分野における9つのタスクの集合であるベンチマークを作成する。
外部知識を制約としてモデル化し、各タスクの制約のソースを特定し、これらの制約を使用するさまざまなモデルを実装します。
論文 参考訳(メタデータ) (2023-02-16T16:45:36Z) - Latent Variable Representation for Reinforcement Learning [131.03944557979725]
モデルに基づく強化学習のサンプル効率を改善するために、潜在変数モデルが学習、計画、探索をいかに促進するかは理論上、実証上、不明である。
状態-作用値関数に対する潜在変数モデルの表現ビューを提供する。これは、抽出可能な変分学習アルゴリズムと楽観主義/悲観主義の原理の効果的な実装の両方を可能にする。
特に,潜伏変数モデルのカーネル埋め込みを組み込んだUPB探索を用いた計算効率の良い計画アルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-12-17T00:26:31Z) - When to Update Your Model: Constrained Model-based Reinforcement
Learning [50.74369835934703]
モデルベースRL(MBRL)の非遅延性能保証のための新規で一般的な理論スキームを提案する。
続いて導いた境界は、モデルシフトとパフォーマンス改善の関係を明らかにします。
さらなる例では、動的に変化する探索からの学習モデルが、最終的なリターンの恩恵をもたらすことが示されている。
論文 参考訳(メタデータ) (2022-10-15T17:57:43Z) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳(メタデータ) (2021-06-05T01:31:51Z) - Meta-learning using privileged information for dynamics [66.32254395574994]
Neural ODE Processモデルを拡張して、Learning Using Privileged Information設定内の追加情報を使用します。
シミュレーション動的タスクの精度とキャリブレーションを向上した実験により拡張性を検証する。
論文 参考訳(メタデータ) (2021-04-29T12:18:02Z) - Learning Accurate Business Process Simulation Models from Event Logs via
Automated Process Discovery and Deep Learning [0.8164433158925593]
データ駆動シミュレーション(DDS)メソッドは、イベントログからプロセスシミュレーションモデルを学ぶ。
ディープラーニング(DL)モデルは、このような時間的ダイナミクスを正確に捉えることができる。
本稿では,イベントログからプロセスシミュレーションモデルを学ぶためのハイブリッド手法を提案する。
論文 参考訳(メタデータ) (2021-03-22T15:34:57Z) - Knowledge-Aware Procedural Text Understanding with Multi-Stage Training [110.93934567725826]
本稿では,このような文書の理解とプロセス中のエンティティの状態や場所の追跡を目的とした手続き的テキスト理解の課題に焦点をあてる。
常識的推論の難しさとデータ不足という2つの課題はまだ未解決のままである。
我々は、複数の外部知識を効果的に活用する、KnOwledge-Aware ProceduraL text understAnding (KOALA)モデルを提案する。
論文 参考訳(メタデータ) (2020-09-28T10:28:40Z) - A Visual Analytics Framework for Explaining and Diagnosing Transfer
Learning Processes [42.57604833160855]
本稿では,深層ニューラルネットワークの学習における伝達学習プロセスの多段階探索のための視覚分析フレームワークを提案する。
本フレームワークは,ニューラルネットワークの深層学習において,既存のモデルから学習した知識がどのように新たな学習タスクに変換されるかを説明するために,マルチアスペクト設計を確立する。
論文 参考訳(メタデータ) (2020-09-15T05:59:00Z)
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。