論文の概要: DIFF-ERO: A Conformance-Aware Loss for Deep Learning in Process Mining

• arxiv url: http://arxiv.org/abs/2606.14283v1
• Date: Fri, 12 Jun 2026 09:06:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:42.847764
• Title: DIFF-ERO: A Conformance-Aware Loss for Deep Learning in Process Mining
• Title（参考訳）: DIFF-ERO: プロセスマイニングにおけるディープラーニングのためのパフォーマンス意識の損失
• Authors: Johannes De Smedt, Jari Peeperkorn, Artem Polyvyanyy, Jochen De Weerdt,
• Abstract要約: 本稿では,プロセスデータ上でのディープラーニングモデルに対する適合性を考慮した損失関数DIFF-EROを紹介する。 DIFF-EROは、トレーニング中に制御フロー情報を含むエントロピーベースの適合性の微分可能な定式化である。 構造がもっとも重要でありながら、他の場所での同等性を維持しながら、予測性能の向上を示す。
• 参考スコア（独自算出の注目度）: 8.304025820176394
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Deep learning has driven many recent advances in process analytics, especially for predictive and prescriptive monitoring. However, standard objectives such as cross-entropy optimize local next-step likelihoods and only implicitly capture control-flow structure. As a result, models can achieve high token-level accuracy while permitting imprecise global behaviour. We introduce DIFF-ERO, a conformance-aware loss function for deep learning models on process data. DIFF-ERO is a differentiable formulation of entropy-based stochastic conformance that incorporates control-flow information during training. Our approach constructs batch-level stochastic transition matrices with soft edge memberships, allowing structural precision and recall signals to directly inform backpropagation. The loss is model-agnostic and can be applied whenever the final representation parametrizes stochastic transitions. We instantiate DIFF-ERO in transformer encoder-decoder pipelines for next-activity prediction and use it jointly with cross-entropy to analyse its theoretical components with respect to convergence. Across benchmarks comparing other loss functions and targets, DIFF-ERO shows improved predictive performance where structure matters most while maintaining parity elsewhere. At the same time, the learned stochastic automaton converges towards the structural ground truth, indicating that the network internalizes process model structure.
• Abstract（参考訳）: ディープラーニングは、特に予測と規範的な監視のために、プロセス分析における最近の多くの進歩を導いてきた。 しかし、クロスエントロピーのような標準的な目的は、局所的な次のステップ確率を最適化し、制御-フロー構造を暗黙的に捉えるだけである。 その結果、モデルは不正確なグローバルな振る舞いを許容しながら高いトークンレベルの精度を達成することができる。 本稿では,プロセスデータ上でのディープラーニングモデルに対する適合性を考慮した損失関数DIFF-EROを紹介する。 DIFF-EROは、トレーニング中に制御フロー情報を含むエントロピーベースの確率整合性の微分可能な定式化である。 提案手法では,ソフトエッジメンバシップを持つバッチレベルの確率遷移行列を構築し,構造精度とリコール信号を直接バックプロパゲーションに通知する。 損失はモデル非依存であり、最終表現が確率遷移をパラメータ化するたびに適用することができる。 変換器エンコーダ・デコーダ・パイプラインにおけるDIFF-EROのインスタンス化とクロスエントロピーの併用により、収束に関する理論成分の解析を行う。 他の損失関数と目標を比較したベンチマークでは、DIFF-EROは、他の場所でのパリティを維持しながら構造がもっとも重要である予測性能の改善を示している。 同時に、学習された確率的オートマトンは構造的基底真理に向かって収束し、ネットワークがプロセスモデル構造を内部化することを示す。

関連論文リスト

• Variational Rectification Inference for Learning with Noisy Labels [74.85528327499662]
  損失関数の適応的補正を定式化するために, 変分補正推論(VRI)を提案する。 VRIは、補正ベクトルを潜在変数として扱うことによって階層ベイズとして構成される。 VRIで変分項を導入することにより、条件付き後部を正確に推定し、ディラックデルタ関数への崩壊を避ける。
  論文  参考訳（メタデータ） (2026-03-18T01:25:08Z)
• Silent Inconsistency in Data-Parallel Full Fine-Tuning: Diagnosing Worker-Level Optimization Misalignment [27.352639822596146]
  クロスワーカーの損失と勾配のばらつきは、従来の監視信号では見えない。 本稿では,標準パイプラインで容易に利用できるトレーニング信号を用いて,作業者レベルの一貫性を定量化する,モデルに依存しない診断フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-16T04:42:30Z)
• When Bayesian Tensor Completion Meets Multioutput Gaussian Processes: Functional Universality and Rank Learning [53.17227599983122]
  関数テンソル分解は実数値インデックスを用いて多次元データを解析することができる。 そこで本研究では,Right-Revealing Functional Low-rank tensor completion (RR-F)法を提案する。 連続多次元信号に対するモデルの普遍近似特性を確立する。
  論文  参考訳（メタデータ） (2025-12-25T03:15:52Z)
• Decentralized Nonconvex Composite Federated Learning with Gradient Tracking and Momentum [78.27945336558987]
  分散サーバ(DFL)はクライアント・クライアント・アーキテクチャへの依存をなくす。 非滑らかな正規化はしばしば機械学習タスクに組み込まれる。 本稿では,これらの問題を解決する新しいDNCFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-04-17T08:32:25Z)
• DeepFRC: An End-to-End Deep Learning Model for Functional Registration and Classification [11.194964108429252]
  DeepFRCは、ワープ機能と統一アーキテクチャ内の分類を共同で学習するエンドツーエンドのディープラーニングフレームワークである。 このようなジョイントモデルに対する最初の理論的保証を提供し、最適なワープを近似する能力を証明する。 合成および実世界のデータセットの実験により、DeepFRCは、アライメント品質と分類精度の両方において、最先端の手法を一貫して上回っていることが示された。
  論文  参考訳（メタデータ） (2025-01-30T03:35:03Z)
• Towards Robust Out-of-Distribution Generalization: Data Augmentation and Neural Architecture Search Approaches [4.577842191730992]
  我々は、ディープラーニングのための堅牢なOoD一般化への道を探る。 まず,認識に必須でない特徴間の素早い相関を解消するための,新しい効果的なアプローチを提案する。 次に,OoDシナリオにおけるニューラルアーキテクチャ探索の強化問題について検討する。
  論文  参考訳（メタデータ） (2024-10-25T20:50:32Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)

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。