論文の概要: Towards Reproducibility in Predictive Process Mining: SPICE - A Deep Learning Library
- arxiv url: http://arxiv.org/abs/2512.16715v1
- Date: Thu, 18 Dec 2025 16:18:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-19 18:10:32.152262
- Title: Towards Reproducibility in Predictive Process Mining: SPICE - A Deep Learning Library
- Title（参考訳）: 予測プロセスマイニングにおける再現性を目指して:SPICE - ディープラーニングライブラリ
- Authors: Oliver Stritzel, Nick Hühnerbein, Simon Rauch, Itzel Zarate, Lukas Fleischmann, Moike Buck, Attila Lischka, Christian Frey,
- Abstract要約: 予測プロセスマイニングのための3つの一般的なベースラインディープラーニングベースのメソッドを再実装するPythonフレームワークであるSPICEを提案する。
SPICEと元のレポートされたメトリクスを比較し、11のデータセット上の公正なメトリクスを比較します。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In recent years, Predictive Process Mining (PPM) techniques based on artificial neural networks have evolved as a method for monitoring the future behavior of unfolding business processes and predicting Key Performance Indicators (KPIs). However, many PPM approaches often lack reproducibility, transparency in decision making, usability for incorporating novel datasets and benchmarking, making comparisons among different implementations very difficult. In this paper, we propose SPICE, a Python framework that reimplements three popular, existing baseline deep-learning-based methods for PPM in PyTorch, while designing a common base framework with rigorous configurability to enable reproducible and robust comparison of past and future modelling approaches. We compare SPICE to original reported metrics and with fair metrics on 11 datasets.
- Abstract（参考訳）: 近年,ニューラルネットワークに基づく予測プロセスマイニング(PPM)技術は,ビジネスプロセスの今後の挙動を監視し,キーパフォーマンス指標(KPI)を予測する手法として発展してきた。
しかし、多くのPPMアプローチは再現性、意思決定における透明性、新しいデータセットとベンチマークを組み込むためのユーザビリティに欠けており、異なる実装の比較は非常に困難である。
本稿では,PyTorch における PPM の既存の3つのベースライン深層学習手法を再実装する Python フレームワーク SPICE を提案する。
SPICEと元のレポートされたメトリクスを比較し、11のデータセット上の公正なメトリクスを比較します。
関連論文リスト
- Speculative Sampling for Parametric Temporal Point Processes [9.15731236208975]
時間点過程はイベントシーケンスの強力な生成モデルである。
それらは一般的に、前のイベントから次のイベントの分布を学ぶ自動回帰モデルを使って指定される。
本稿では、既存のTPPモデルから複数の将来の値の正確なサンプリングを可能にする、リジェクションサンプリングに基づく新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-10-22T21:20:26Z) - Simulation-based inference via telescoping ratio estimation for trawl processes [0.0]
本稿では,高速で高精度なMarkovベースの推論フレームワークを提案する。
チェビシェフ近似を用いて独立な後続サンプルを効率よく生成し,連鎖モンテカルロ法が混在しても正確な推論を可能にする。
エネルギー需要データに適用した柔軟な無限分割可能なモデルのクラスであるトロールプロセスにおいて,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2025-10-05T05:26:46Z) - A Statistical Framework for Ranking LLM-Based Chatbots [57.59268154690763]
本稿では、ペア比較分析における特定の課題に対処するために、重要な進歩を取り入れた統計フレームワークを提案する。
まず,人力比較のグルーピング処理能力を高める要因付きタイモデルを提案する。
第2に、フレームワークを拡張して、競合間の共分散層をモデル化することで、パフォーマンス関係に関するより深い洞察を可能にします。
第三に、パラメータ非特異性に起因する最適化の課題を、新しい制約を導入することで解決する。
論文 参考訳（メタデータ） (2024-12-24T12:54:19Z) - A Bayesian Approach to Data Point Selection [24.98069363998565]
データポイントの選択(DPS)は、ディープラーニングにおいて重要なトピックになりつつある。
既存のDPSへのアプローチは、主にバイレベル最適化(BLO)の定式化に基づいている。
DPSに対する新しいベイズ的アプローチを提案する。
論文 参考訳（メタデータ） (2024-11-06T09:04:13Z) - Efficient Learning of POMDPs with Known Observation Model in Average-Reward Setting [56.92178753201331]
我々は,POMDPパラメータを信念に基づくポリシを用いて収集したサンプルから学習することのできる観測・認識スペクトル(OAS)推定手法を提案する。
提案するOAS-UCRLアルゴリズムに対して,OASプロシージャの整合性を示し,$mathcalO(sqrtT log(T)$の残差保証を証明した。
論文 参考訳（メタデータ） (2024-10-02T08:46:34Z) - Bayesian Prediction-Powered Inference [62.2436697657307]
予測駆動推論(英: Prediction-powered Inference, PPI)は、人間ラベル付き限られたデータに基づいて統計的推定を改善する手法である。
本稿では,ベイズ推定に基づくPPIのためのフレームワークを提案する。
論文 参考訳（メタデータ） (2024-05-09T18:08:58Z) - Likelihood-based inference and forecasting for trawl processes: a
stochastic optimization approach [0.0]
実数値トロール過程を推定するための第1の可能性に基づく手法を開発した。
本稿では,新しい決定的および確率的予測手法を提案する。
トロールプロセスの大規模なクラスに適合するために使用可能なPythonライブラリをリリースしています。
論文 参考訳（メタデータ） (2023-08-30T15:37:48Z) - EasyTPP: Towards Open Benchmarking Temporal Point Processes [36.759041669027745]
時間点プロセス(TPP)は最も自然で競争的なモデルとして登場している。
EasyTPPは、研究資産(データ、モデル、評価プログラム、ドキュメントなど)のイベントシーケンスモデリング領域における最初の中央リポジトリである。
論文 参考訳（メタデータ） (2023-07-16T16:43:38Z) - Benchmarking the Reliability of Post-training Quantization: a Particular
Focus on Worst-case Performance [53.45700148820669]
ポストトレーニング量子化(PTQ)は、独自のアーキテクチャやトレーニング手順を変更することなく、ディープニューラルネットワーク(DNN)を圧縮するための一般的な方法である。
その有効性と利便性にもかかわらず、分散シフトやデータノイズといった極端ケースの存在下でのPTQ手法の信頼性は明らかにされていない。
そこで本研究では,様々なPTQ手法を用いてこの問題について検討する。
論文 参考訳（メタデータ） (2023-03-23T02:55:50Z) - Continual Learning using a Bayesian Nonparametric Dictionary of Weight
Factors [75.58555462743585]
訓練されたニューラルネットワークは、シーケンシャルなタスク設定で破滅的な忘れを経験する傾向がある。
Indian Buffet Process (IBP) に基づく原則的非パラメトリック手法を提案する。
連続学習ベンチマークにおける本手法の有効性を実証し、トレーニングを通して重み要因の配分と再利用方法を分析する。
論文 参考訳（メタデータ） (2020-04-21T15:20:19Z)
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。