論文の概要: Beyond Yes or No: Predictive Compliance Monitoring Approaches for Quantifying the Magnitude of Compliance Violations

• arxiv url: http://arxiv.org/abs/2502.01141v1
• Date: Mon, 03 Feb 2025 08:18:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 15:03:03.782012
• Title: Beyond Yes or No: Predictive Compliance Monitoring Approaches for Quantifying the Magnitude of Compliance Violations
• Title（参考訳）: Yes or No: コンプライアンス違反のマグニチュードを定量化するための予測コンプライアンス監視アプローチ
• Authors: Qian Chen, Stefanie Rinderle-Ma, Lijie Wen,
• Abstract要約: 本稿では,この研究ギャップを埋めるための2つの予測コンプライアンスモニタリング手法を提案する。 第1のアプローチは、二項分類問題を分類と回帰の両方を考慮したハイブリッドタスクとして再構成する。 第2の方法はマルチタスク学習法を用いて,既存事例に対するコンプライアンス状況と違反の大きさを同時に正確に予測する。
• 参考スコア（独自算出の注目度）: 14.698103942169569
• License:
• Abstract: Most existing process compliance monitoring approaches detect compliance violations in an ex post manner. Only predicate prediction focuses on predicting them. However, predicate prediction provides a binary yes/no notion of compliance, lacking the ability to measure to which extent an ongoing process instance deviates from the desired state as specified in constraints. Here, being able to quantify the magnitude of violation would provide organizations with deeper insights into their operational performance, enabling informed decision making to reduce or mitigate the risk of non-compliance. Thus, we propose two predictive compliance monitoring approaches to close this research gap. The first approach reformulates the binary classification problem as a hybrid task that considers both classification and regression, while the second employs a multi-task learning method to explicitly predict the compliance status and the magnitude of violation for deviant cases simultaneously. In this work, we focus on temporal constraints as they are significant in almost any application domain, e.g., health care. The evaluation on synthetic and real-world event logs demonstrates that our approaches are capable of quantifying the magnitude of violations while maintaining comparable performance for compliance predictions achieved by state-of-the-art approaches.
• Abstract（参考訳）: 既存のプロセスコンプライアンス監視アプローチのほとんどは、事前の方法でコンプライアンス違反を検出する。 予測は予測にのみ焦点をあてる。 しかし、述語予測はコンプライアンスに関する二項のye/noの概念を提供しており、継続するプロセスインスタンスが制約で指定された所望の状態からどの程度逸脱するかを測定する能力がない。 ここでは、違反の規模を定量化することで、組織は運用パフォーマンスについてより深い洞察を得ることができ、非コンプライアンスのリスクを低減または緩和する情報的な決定を可能にします。 そこで本研究では,この研究ギャップを埋めるための2つの予測コンプライアンスモニタリング手法を提案する。 第1のアプローチでは、二項分類問題を分類と回帰の両方を考慮したハイブリッドタスクとして再構成し、第2のアプローチでは、複数のタスク学習法を用いて、逸脱したケースに対するコンプライアンス状況と違反の大きさを同時に正確に予測する。 この作業では、ほぼすべてのアプリケーションドメイン、例えばヘルスケアにおいて重要であるため、時間的制約に重点を置いています。 合成および実世界のイベントログの評価は、我々のアプローチが、最先端のアプローチによって達成されたコンプライアンス予測に匹敵するパフォーマンスを維持しながら、違反の規模を定量化できることを示している。

関連論文リスト

• Quantitative Predictive Monitoring and Control for Safe Human-Machine Interaction [16.465501381705774]
  安全でない人間と機械の相互作用は破滅的な失敗を引き起こす。 本研究では,人間の相互作用の不確実性を考慮した将来状態の予測手法を提案する。 提案手法は,1型糖尿病管理と半自律運転の2つのケーススタディに適用する。
  論文  参考訳（メタデータ） (2024-12-17T22:46:39Z)
• Conformal Generative Modeling with Improved Sample Efficiency through Sequential Greedy Filtering [55.15192437680943]
  生成モデルは出力に対する厳密な統計的保証を欠いている。 厳密な統計的保証を満たす予測セットを生成する逐次共形予測法を提案する。 このことは、高い確率で予測セットが少なくとも1つの許容可能な(または有効な)例を含むことを保証している。
  論文  参考訳（メタデータ） (2024-10-02T15:26:52Z)
• Rethinking State Disentanglement in Causal Reinforcement Learning [78.12976579620165]
  因果性は、根底にある状態が識別可能性によって一意に回復できることを保証するための厳密な理論的支援を提供する。 我々はこの研究ラインを再考し、RL固有のコンテキストを取り入れることで、潜在状態に対する以前の識別可能性分析における不要な仮定を低減できることを示した。 本稿では, 従来手法の複雑な構造制約を, 遷移と報酬保存の2つの簡単な制約に置き換えることにより, 一般に部分的に観測可能なマルコフ決定過程(POMDP)を提案する。
  論文  参考訳（メタデータ） (2024-08-24T06:49:13Z)
• Loss Shaping Constraints for Long-Term Time Series Forecasting [79.3533114027664]
  本稿では,長期時系列予測のための制約付き学習手法を提案する。 提案手法は, 予測ウィンドウ上でエラーを発生させながら, 時系列ベンチマークにおける競合平均性能を示すことを示すための, 実用的なプリマル・デュアルアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-14T18:20:44Z)
• Learning-Based Approaches to Predictive Monitoring with Conformal Statistical Guarantees [2.1684857243537334]
  本チュートリアルは、予測モニタリング(PM)のための効率的な手法に焦点を当てている。 PMは、システムの現在の状態から与えられた要件の将来の違反を検出する問題である。 CPSの予測モニタリングに対する我々のアプローチを要約した、汎用的で包括的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-04T15:16:42Z)
• Intervening With Confidence: Conformal Prescriptive Monitoring of Business Processes [0.7487718119544158]
  本稿では,既存の規範的プロセス監視手法を信頼性保証付き予測で拡張する手法を提案する。 実生活の公開データセットを用いた実証評価では、コンフォメーション予測は限られたリソース下での規範的プロセス監視手法の純利を高めることが示されている。
  論文  参考訳（メタデータ） (2022-12-07T15:29:21Z)
• Neural Predictive Monitoring under Partial Observability [4.1316328854247155]
  本稿では,部分観測可能性(PO)に拘わらず,正確かつ信頼性の高い到達可能性予測を生成する学習ベース予測手法を提案する。 提案手法は,精度の高い到達可能性予測とエラー検出を行い,また,カバー範囲が保証された厳密な予測領域を実現する。
  論文  参考訳（メタデータ） (2021-08-16T15:08:20Z)
• Distribution-free uncertainty quantification for classification under label shift [105.27463615756733]
  2つの経路による分類問題に対する不確実性定量化(UQ)に焦点を当てる。 まず、ラベルシフトはカバレッジとキャリブレーションの低下を示すことでuqを損なうと論じる。 これらの手法を, 理論上, 分散性のない枠組みで検討し, その優れた実用性を示す。
  論文  参考訳（メタデータ） (2021-03-04T20:51:03Z)
• Unifying Lower Bounds on Prediction Dimension of Consistent Convex Surrogates [12.751555473216683]
  予測タスクを考えると、一貫した凸サーロゲート損失を設計できるかどうかを理解することは、機械学習研究の重要な領域です。 我々はこれらの設定をプロパティ・エリシテーションのツールを用いて統一し、予測次元の一般的な下限を与える。 我々の下限は、離散的な予測の場合の既存の結果を厳しくし、以前のキャリブレーションに基づく境界は、主にプロパティ・エリケーションによって回復可能であることを示す。 連続推定では, リスクと不確実性の指標を推定し, 未解決の問題に対処する。
  論文  参考訳（メタデータ） (2021-02-16T15:29:05Z)
• Off-policy Evaluation in Infinite-Horizon Reinforcement Learning with Latent Confounders [62.54431888432302]
  無限水平エルゴードマルコフ決定過程におけるOPE問題について考察する。 我々は、状態と行動の潜在変数モデルのみを考慮すれば、政策値が政治外のデータから特定できることを示す。
  論文  参考訳（メタデータ） (2020-07-27T22:19:01Z)
• Bottom-Up Temporal Action Localization with Mutual Regularization [107.39785866001868]
  TALの最先端の解決策は、3つの行動指示相のフレームレベルの確率を評価することである。 学習手順を相互に規則化するための2つの規則化用語を導入する。 実験は2つの人気のTALデータセット、THUMOS14とActivityNet1.3で行われている。
  論文  参考訳（メタデータ） (2020-02-18T03:59:13Z)

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。