論文の概要: DDTR: Diffusion Denoising Trace Recovery

• arxiv url: http://arxiv.org/abs/2510.22553v1
• Date: Sun, 26 Oct 2025 06:43:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:15.242789
• Title: DDTR: Diffusion Denoising Trace Recovery
• Title（参考訳）: DDTR: トレーサリカバリの拡散
• Authors: Maximilian Matyash, Avigdor Gal, Arik Senderovich,
• Abstract要約: 拡散分解確率モデル(DDPM)に基づく新しいディープラーニング手法を開発した。 従来の手法よりも25%向上し,高騒音下での強靭性も向上した,最先端性能の実証実験を行った。
• 参考スコア（独自算出の注目度）: 2.6006110020577564
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With recent technological advances, process logs, which were traditionally deterministic in nature, are being captured from non-deterministic sources, such as uncertain sensors or machine learning models (that predict activities using cameras). In the presence of stochastically-known logs, logs that contain probabilistic information, the need for stochastic trace recovery increases, to offer reliable means of understanding the processes that govern such systems. We design a novel deep learning approach for stochastic trace recovery, based on Diffusion Denoising Probabilistic Models (DDPM), which makes use of process knowledge (either implicitly by discovering a model or explicitly by injecting process knowledge in the training phase) to recover traces by denoising. We conduct an empirical evaluation demonstrating state-of-the-art performance with up to a 25% improvement over existing methods, along with increased robustness under high noise levels.
• Abstract（参考訳）: 近年の技術進歩により、従来は決定論的であったプロセスログは、不確実なセンサーや機械学習モデル(カメラを使った活動を予測する)など、非決定論的ソースから取得されている。 確率論的に知られたログの存在下では、確率的情報を含むログは、確率的トレースリカバリの必要性が増大し、そのようなシステムを管理するプロセスを理解するための信頼性の高い手段を提供する。 本研究では, プロセス知識(学習段階におけるプロセス知識の注入, 学習段階におけるプロセス知識の注入によって暗黙的に, あるいは暗黙的に)を活用して, トレースを復調することで, トレースを復元する, 確率的トレース回復のための新しいディープラーニングアプローチを設計する。 従来の手法よりも25%向上し,高騒音下での強靭性も向上した,最先端性能の実証実験を行った。

関連論文リスト

• A self-supervised learning approach for denoising autoregressive models with additive noise: finite and infinite variance cases [0.9217021281095907]
  応用においては、自己回帰信号は加法雑音によってしばしば破損する。 本稿では,付加的な雑音崩壊型自己回帰モデルを示す自己教師型学習手法を提案する。
  論文  参考訳（メタデータ） (2025-08-18T14:46:56Z)
• FlowPure: Continuous Normalizing Flows for Adversarial Purification [1.4898667360408233]
  敵の浄化は 有望な防衛戦略として浮上した 条件付きフローマッチング(CFM)を訓練した連続正規化フロー(CNF)に基づく新しい浄化法であるFlowPureを提案する。 以上の結果から,FlowPureは高効率な浄化剤であるが,対向検出に強い可能性を秘めていることが明らかとなった。
  論文  参考訳（メタデータ） (2025-05-19T16:04:43Z)
• Meta Learning-Driven Iterative Refinement for Robust Anomaly Detection in Industrial Inspection [9.132399905884364]
  本稿では,メタ学習アプローチの適応能力を活用して,ノイズの多い学習データを特定し,拒否し,学習プロセスを改善することを提案する。 本モデルでは, モデル非依存メタ学習(MAML)と, 適応性と堅牢性を高めるために, 異種間距離の拒絶方式による反復的洗練プロセスを採用する。
  論文  参考訳（メタデータ） (2025-03-03T14:11:41Z)
• Unmasking Bias in Diffusion Model Training [40.90066994983719]
  拡散モデルが画像生成の主流のアプローチとして登場した。 トレーニングの収束が遅く、サンプリングのカラーシフトの問題に悩まされている。 本稿では,これらの障害は,既定のトレーニングパラダイムに固有のバイアスや準最適性に大きく起因していると考えられる。
  論文  参考訳（メタデータ） (2023-10-12T16:04:41Z)
• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)
• Denoising diffusion models for out-of-distribution detection [2.113925122479677]
  我々は,確率拡散モデル(DDPM)を自己エンコーダの復号化として活用する。 DDPMを用いてノイズレベルの範囲の入力を再構成し,結果の多次元再構成誤差を用いてアウト・オブ・ディストリビューション入力を分類する。
  論文  参考訳（メタデータ） (2022-11-14T20:35:11Z)
• SKTR: Trace Recovery from Stochastically Known Logs [7.882975068446842]
  機械学習の発展とセンサデータの利用の増加は、決定論的ログへの依存に挑戦する。 本研究では,現実に忠実な決定論的ログを生成するタスクを定式化する。 効果的なトレースリカバリアルゴリズムは、不確実な設定のために信頼できるプロセスマイニングツールを維持するための強力な助けとなるだろう。
  論文  参考訳（メタデータ） (2022-06-25T15:29:20Z)
• Deep Active Learning with Noise Stability [24.54974925491753]
  ラベルのないデータの不確実性推定は、アクティブな学習に不可欠である。 本稿では,雑音の安定性を利用して不確実性を推定する新しいアルゴリズムを提案する。 本手法はコンピュータビジョン,自然言語処理,構造データ解析など,様々なタスクに適用可能である。
  論文  参考訳（メタデータ） (2022-05-26T13:21:01Z)
• Efficient training of lightweight neural networks using Online Self-Acquired Knowledge Distillation [51.66271681532262]
  オンライン自己獲得知識蒸留(OSAKD)は、ディープニューラルネットワークの性能をオンライン的に向上することを目的としている。 出力特徴空間におけるデータサンプルの未知確率分布を推定するために、k-nnノンパラメトリック密度推定手法を用いる。
  論文  参考訳（メタデータ） (2021-08-26T14:01:04Z)
• Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
  植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。 本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-17T09:51:30Z)

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。