論文の概要: Chameleons do not Forget: Prompt-Based Online Continual Learning for Next Activity Prediction

• arxiv url: http://arxiv.org/abs/2604.00653v1
• Date: Wed, 01 Apr 2026 09:03:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:31.913879
• Title: Chameleons do not Forget: Prompt-Based Online Continual Learning for Next Activity Prediction
• Title（参考訳）: Chameleonsは忘れない: 次のアクティビティ予測のためのプロンプトベースのオンライン連続学習
• Authors: Marwan Hassani, Tamara Verbeek, Sjoerd van Straten,
• Abstract要約: 本稿では,CNAPwP(Continuous Next Activity Prediction with Prompts)という新しい手法を提案する。 CNAPwPはDualPromptアルゴリズムを次のアクティビティ予測に適用し、破滅的な忘れを緩和しながら精度と適応性を向上させる。 3つの合成データセットと2つの実世界のデータセットの大規模なテストは、CNAPwPがSOTAまたは競合的な結果を達成することを示している。
• 参考スコア（独自算出の注目度）: 0.30586855806896046
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Predictive process monitoring (PPM) focuses on predicting future process trajectories, including next activity predictions. This is crucial in dynamic environments where processes change or face uncertainty. However, current frameworks often assume a static environment, overlooking dynamic characteristics and concept drifts. This results in catastrophic forgetting, where training while focusing merely on new data distribution negatively impacts the performance on previously learned data distributions. Continual learning addresses, among others, the challenges related to mitigating catastrophic forgetting. This paper proposes a novel approach called Continual Next Activity Prediction with Prompts (CNAPwP), which adapts the DualPrompt algorithm for next activity prediction to improve accuracy and adaptability while mitigating catastrophic forgetting. We introduce new datasets with recurring concept drifts, alongside a task-specific forgetting metric that measures the prediction accuracy gap between initial occurrence and subsequent task occurrences. Extensive testing on three synthetic and two real-world datasets representing several setups of recurrent drifts shows that CNAPwP achieves SOTA or competitive results compared to five baselines, demonstrating its potential applicability in real-world scenarios. An open-source implementation of our method, together with the datasets and results, is available at: https://github.com/SvStraten/CNAPwP.
• Abstract（参考訳）: 予測プロセス監視(PPM)は、次のアクティビティ予測を含む将来のプロセス軌跡を予測することに焦点を当てている。 これは、プロセスが変化したり、不確実性に直面したりする動的な環境において重要なことです。 しかし、現在のフレームワークは静的な環境を前提としており、動的な特徴やコンセプトドリフトを見下ろしている。 この結果,新たなデータ分布にのみ焦点をあてたトレーニングが,以前に学習したデータ分布のパフォーマンスに悪影響を及ぼすという,悲惨な忘れがもたらされる。 継続的な学習は、破滅的な忘れを和らげることに関わる課題に対処する。 本稿では,CNAPwP(Continuous Next Activity Prediction with Prompts)と呼ばれる新しい手法を提案する。 本稿では,初期発生とその後のタスク発生との予測精度のギャップを計測するタスク固有忘れ尺度とともに,繰り返しコンセプトドリフトを伴う新しいデータセットを提案する。 CNAPwPが5つのベースラインと比較してSOTAまたは競争的な結果を達成することを示し、現実のシナリオにおける潜在的な適用性を示している。 データセットと結果とともに、我々のメソッドのオープンソース実装が、https://github.com/SvStraten/CNAPwP.comで公開されている。

関連論文リスト

• Predict Confidently, Predict Right: Abstention in Dynamic Graph Learning [6.0497759658090775]
  本稿では,時間的動的グラフに対する時間的グラフニューラルネットワーク(GNN)のフレームワーク内でのリジェクションオプション戦略を提案する。 これにより、モデルが不確実性が高く、信頼性が低い場合に、戦略的に予測を控えることができる。 動的グラフシナリオにおける予測のための曲線(AUC)/平均精度(AP)スコアの信頼性と面積を改善するためのアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2025-01-14T19:27:58Z)
• C$^{2}$INet: Realizing Incremental Trajectory Prediction with Prior-Aware Continual Causal Intervention [10.189508227447401]
  複雑なシナリオにおけるマルチエージェントの軌道予測は、自律運転のようなアプリケーションには不可欠である。 既存の手法は、しばしば環境バイアスを見落とし、一般化の低さにつながる。 一般化可能なマルチエージェント軌道予測のための連続因果干渉法(C$2$INet)を提案する。
  論文  参考訳（メタデータ） (2024-11-19T08:01:20Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Meta-Learning for Neural Network-based Temporal Point Processes [36.31950058651308]
  ポイントプロセスは、人間の活動に関連する事象を予測するために広く使われている。 最近の高性能ポイントプロセスモデルでは、長期間にわたって収集された十分な数のイベントを入力する必要がある。 短周期の事象の周期性を考慮した予測のためのメタラーニング手法を提案する。
  論文  参考訳（メタデータ） (2024-01-29T02:42:22Z)
• Knowledge-aware Graph Transformer for Pedestrian Trajectory Prediction [15.454206825258169]
  歩行者運動軌跡の予測は、自動運転車の経路計画と移動制御に不可欠である。 近年の深層学習に基づく予測手法は、主に軌跡履歴や歩行者間の相互作用などの情報を利用する。 本稿では,予測性能を向上させるためのグラフトランス構造を提案する。
  論文  参考訳（メタデータ） (2024-01-10T01:50:29Z)
• Motion-Scenario Decoupling for Rat-Aware Video Position Prediction: Strategy and Benchmark [49.58762201363483]
  本研究では,個人や環境の影響要因を考慮し,生物ロボットの動き予測データセットであるRatPoseを紹介する。 本稿では,シナリオ指向とモーション指向を効果的に分離するDual-stream Motion-Scenario Decouplingフレームワークを提案する。 難易度が異なるタスクに対して,提案したtextitDMSD フレームワークの大幅な性能向上を示す。
  論文  参考訳（メタデータ） (2023-05-17T14:14:31Z)
• Towards Out-of-Distribution Sequential Event Prediction: A Causal Treatment [72.50906475214457]
  シーケンシャルなイベント予測の目標は、一連の歴史的なイベントに基づいて次のイベントを見積もることである。 実際には、次のイベント予測モデルは、一度に収集されたシーケンシャルなデータで訓練される。 文脈固有の表現を学習するための階層的な分岐構造を持つフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-24T07:54:13Z)
• SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
  本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。 エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
  論文  参考訳（メタデータ） (2020-07-26T08:17:10Z)
• TTPP: Temporal Transformer with Progressive Prediction for Efficient Action Anticipation [46.28067541184604]
  ビデオアクション予測は、観察されたフレームから将来のアクションカテゴリを予測することを目的としている。 現在の最先端のアプローチは主に、履歴情報を隠された状態にエンコードするために、リカレントニューラルネットワークを利用する。 本稿では,プログレッシブ予測フレームワークを用いた簡易かつ効率的な時間変換器を提案する。
  論文  参考訳（メタデータ） (2020-03-07T07:59:42Z)

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。