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
- AgentSimulator: An Agent-based Approach for Data-driven Business Process Simulation [6.590869939300887]
ビジネスプロセスシミュレーション(Business Process Simulation, BPS)は、プロセスのパフォーマンスを様々なシナリオで推定するための汎用的な手法である。
本稿では,イベントログからマルチエージェントシステムを検出するリソースファーストなBPS手法であるAgentSimulatorを紹介する。
実験の結果,AgentSimulatorは従来の手法よりもはるかに少ない時間で計算精度を向上できることがわかった。
論文 参考訳(メタデータ) (2024-08-16T07:19:11Z) - 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) - 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) - iSAGE: An Incremental Version of SAGE for Online Explanation on Data
Streams [8.49072000414555]
iSAGEは、SAGEの時間およびメモリ効率のインクリメンタル化である。
iSAGE は SAGE と同様の理論的性質を持つことを示す。
論文 参考訳(メタデータ) (2023-03-02T11:51:54Z) - 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) - Schema-aware Reference as Prompt Improves Data-Efficient Knowledge Graph
Construction [57.854498238624366]
本稿では,データ効率のよい知識グラフ構築のためのRAP(Schema-Aware Reference As Prompt)の検索手法を提案する。
RAPは、人間の注釈付きおよび弱教師付きデータから受け継いだスキーマと知識を、各サンプルのプロンプトとして動的に活用することができる。
論文 参考訳(メタデータ) (2022-10-19T16:40:28Z) - 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) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳(メタデータ) (2020-12-15T16:29:49Z)
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。