Fugu-MT 論文翻訳(概要): CoSMo: a Framework to Instantiate Conditioned Process Simulation Models

論文の概要: CoSMo: a Framework to Instantiate Conditioned Process Simulation Models

arxiv url: http://arxiv.org/abs/2303.17879v3
Date: Fri, 15 Mar 2024 22:49:33 GMT
ステータス: 処理完了
システム内更新日: 2024-03-20 06:38:27.366298
Title: CoSMo: a Framework to Instantiate 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構築するためのフレームワーク
Authors: Rafael S. Oyamada, Gabriel M. Tavares, Sylvio Barbon Junior, Paolo Ceravolo,
Abstract要約: 本稿では,ユーザの制約やアプリオリ知識の他の性質に基づいて,CoSMo(Conditioned Process Simulation Models)の発見に適した,新しいリカレントニューラルネットワークを提案する。このアーキテクチャは、宣言型ルールを学習フェーズに組み込むことで、特定の制約に従うイベントログのシミュレーションを容易にする。
参考スコア（独自算出の注目度）: 1.6021728114882514
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Process simulation is gaining attention for its ability to assess potential performance improvements and risks associated with business process changes. The existing literature presents various techniques, generally grounded in process models discovered from event logs or built upon deep learning algorithms. These techniques have specific strengths and limitations. Traditional approaches rooted in process models offer increased interpretability, while those using deep learning excel at generalizing changes across large event logs. However, the practical application of deep learning faces challenges related to managing stochasticity and integrating information for what-if analysis. This paper introduces a novel recurrent neural architecture tailored to discover COnditioned process Simulation MOdels (CoSMo) based on user-based constraints or any other nature of a-priori knowledge. This architecture facilitates the simulation of event logs that adhere to specific constraints by incorporating declarative-based rules into the learning phase as an attempt to fill the gap of incorporating information into deep learning models to perform what-if analysis. Experimental validation illustrates CoSMo's efficacy in simulating event logs while adhering to predefined declarative conditions, emphasizing both control-flow and data-flow perspectives.
Abstract（参考訳）: ビジネスプロセスの変更に伴う潜在的なパフォーマンス改善とリスクを評価する能力について、プロセスシミュレーションが注目されている。既存の文献では、イベントログから発見されたプロセスモデルやディープラーニングアルゴリズムに基づくさまざまなテクニックが紹介されている。これらの技法には特定の強度と限界がある。プロセスモデルに根ざした従来のアプローチは、解釈可能性の向上を提供する。しかし、深層学習の実践的応用は、確率性の管理と情報の統合に関する課題に直面している。本稿では,ユーザの制約やアプリオリ知識の他の性質に基づいて,CoSMo(Conditioned Process Simulation Models)の発見に適した,新しいリカレントニューラルネットワークを提案する。このアーキテクチャは、宣言型ルールを学習フェーズに組み込むことで、特定の制約に従うイベントログのシミュレーションを容易にする。実験的検証は、事前に定義された宣言的条件に固執しつつ、イベントログをシミュレートするCoSMoの有効性を示し、制御フローとデータフローの両方の観点を強調している。

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。