論文の概要: Know Your Streams: On the Conceptualization, Characterization, and Generation of Intentional Event Streams

• arxiv url: http://arxiv.org/abs/2604.01440v1
• Date: Wed, 01 Apr 2026 22:26:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:10.083835
• Title: Know Your Streams: On the Conceptualization, Characterization, and Generation of Intentional Event Streams
• Title（参考訳）: ストリームを知る:意図的イベントストリームの概念化、特徴化、生成について
• Authors: Andrea Maldonado, Christian Imenkamp, Hendrik Reiter, Thomas Seidl, Wilhelm Hasselbring, Martin Werner, Agnes Koschmider,
• Abstract要約: IoT対応のセンサ駆動システムへのシフトは、運用データの生成方法を変えました。 ストリーミングプロセスマイニング(SPM)の新たな課題は、外部イベント、同時アクティビティ、不完全なケース、コンセプトドリフトに対処する必要がある。
• 参考スコア（独自算出の注目度）: 4.489379604093145
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The shift toward IoT-enabled, sensor-driven systems has transformed how operational data is generated, favoring continuous, real-time event streams (ES) over static event logs. This evolution presents new challenges for Streaming Process Mining (SPM), which must cope with out-of-order events, concurrent activities, incomplete cases, and concept drifts. Yet, the evaluation of SPM algorithms remains rooted in outdated practices, relying on static logs or artificially streamified data that fail to reflect the complexities of real-world streams. To address this gap, we first perform a comprehensive review of data stream literature to identify stream characteristics currently not reflected in the SPM community. Next, we use this information to extend the conceptual foundation for ES. Finally, we propose Stream of Intent, a prototype generator to produce ES with specific features. Our evaluation shows excellence in producing reproducible, intentional ES for targeted benchmarking and adaptive algorithm development in SPM.
• Abstract（参考訳）: IoT対応のセンサ駆動システムへのシフトは、運用データの生成方法を変え、静的なイベントログよりも、継続的でリアルタイムなイベントストリーム(ES)を優先している。 この進化はStreaming Process Mining(SPM)に新たな課題をもたらします。 しかし、SPMアルゴリズムの評価は、静的ログや実世界のストリームの複雑さを反映しない人工的ストリーム化データに依存する、時代遅れのプラクティスに根ざしている。 このギャップに対処するために、私たちはまず、SPMコミュニティに反映されていないストリーム特性を特定するために、データストリームの文献の包括的なレビューを行います。 次に、この情報を用いて、ESの概念基盤を拡張する。 最後に,特定の特徴を持つESを生成するプロトタイプジェネレータであるStream of Intentを提案する。 本評価は,SPMにおける目標ベンチマークと適応アルゴリズム開発のための再現性,意図的なESの生成に優れることを示す。

関連論文リスト

• Chameleons do not Forget: Prompt-Based Online Continual Learning for Next Activity Prediction [0.30586855806896046]
  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。
  論文  参考訳（メタデータ） (2026-04-01T09:03:04Z)
• Towards Video Anomaly Detection from Event Streams: A Baseline and Benchmark Datasets [71.53287557600177]
  イベントベースの異常検出を統一研究の方向性として確立するための第一歩を踏み出す。 まず、同期イベントとRGB記録を特徴とする、ビデオ異常検出のための複数のイベントストリームベースのベンチマークを構築した。 次に,EVent中心のビデオ異常検出フレームワークであるEWADを提案する。
  論文  参考訳（メタデータ） (2026-03-26T03:33:33Z)
• TRACE: A Generalizable Drift Detector for Streaming Data-Driven Optimization [18.46974867492826]
  多くの最適化タスクには、未知の概念ドリフトによるストリーミングデータが含まれており、Streaming Data-Driven Optimization (SDDO)として大きな課題となっている。 本稿では,Transferable Concept-drift Estimatorを提案する。Transferable Concept-drift Estimatorは,時間スケールの異なるストリーミングデータの分布変化を効果的に検出する。 多様なベンチマークに関する総合的な実験結果は、SDDOシナリオにおける我々のアプローチの優れた一般化、堅牢性、有効性を示している。
  論文  参考訳（メタデータ） (2025-12-08T01:33:16Z)
• StreamAgent: Towards Anticipatory Agents for Streaming Video Understanding [52.55809460075286]
  本稿では,今後のタスク関連情報を含むと思われる時間間隔と空間領域を予測できるStreamAgentを提案する。 我々は,重要な出来事の時間的進行を予測するために,予測エージェントに期待を促すことによって,質問の意味論と歴史的観察を統合する。 提案手法は,応答精度とリアルタイム効率において既存の手法よりも優れており,実世界のストリーミングシナリオの実用的価値を強調している。
  論文  参考訳（メタデータ） (2025-08-03T18:15:42Z)
• FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
  FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。 非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。 条件設定では、太陽予測において優れた性能を達成している。
  論文  参考訳（メタデータ） (2024-11-12T03:03:23Z)
• Breaking Determinism: Fuzzy Modeling of Sequential Recommendation Using Discrete State Space Diffusion Model [66.91323540178739]
  シークエンシャルレコメンデーション(SR)は、ユーザーが過去の行動に基づいて興味を持つかもしれない項目を予測することを目的としている。 我々はSRを新しい情報理論の観点から再検討し、逐次モデリング手法がユーザの行動のランダム性と予測不可能性を適切に把握できないことを発見した。 ファジィ情報処理理論に触発された本論文では,制限を克服し,ユーザの関心事の進化をよりよく捉えるために,ファジィなインタラクションシーケンスの組を導入する。
  論文  参考訳（メタデータ） (2024-10-31T14:52:01Z)
• AiGAS-dEVL: An Adaptive Incremental Neural Gas Model for Drifting Data Streams under Extreme Verification Latency [6.7236795813629]
  ストリーミング設定では、データフローはパターン(コンセプトドリフト)の非定常性をもたらす要因によって影響を受ける。 本稿では,AiGAS-dEVLという新しい手法を提案する。これは,時間とともにストリーム内で検出されるすべての概念の分布を特徴付けるために,神経ガスの増大に依存する。 我々のアプローチは、時間とともにこれらの点の挙動をオンライン分析することで、特徴空間における概念の進化が定義できるようになることを明らかにしている。
  論文  参考訳（メタデータ） (2024-07-07T14:04:57Z)
• 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)

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。