論文の概要: Revisiting Predictive Process Monitoring in the Age of Foundation Models: A Comparative Study of Sequence, Tabular, and LLM Approaches

• arxiv url: http://arxiv.org/abs/2607.27797v1
• Date: Thu, 30 Jul 2026 07:36:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.444168
• Title: Revisiting Predictive Process Monitoring in the Age of Foundation Models: A Comparative Study of Sequence, Tabular, and LLM Approaches
• Title（参考訳）: 基礎モデル時代における予測プロセスモニタリングの再考:シーケンス,タブラリ,LLMアプローチの比較研究
• Abstract要約: 古典的なシーケンスベースのモデルがこの発展途上の世界において競争力を維持しているかどうかは不明である。 本稿では,複数のデータセットと予測タスクのベンチマークを通じて,概念的および経験的に3つのモデリングパラダイムを比較した。
• 参考スコア（独自算出の注目度）: 0.5735035463793009
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predictive process monitoring (PPM) leverages event logs to forecast the future of running process instances, for instance, predicting the next activity, the remaining time until case completion, or the time to the next event. While PPM research in recent years has been dominated by deep sequence models trained from scratch, such as Long Short-Term Memory (LSTM) models, foundation-model approaches---particularly large language models (LLMs)---are increasingly explored for PPM. At the same time, tabular foundation models with in-context learning capabilities offer a promising alternative but have not yet been systematically benchmarked for PPM. Thus, it remains unclear whether classical sequence-based models remain competitive in this evolving landscape. This paper compares the three modeling paradigms both conceptually and empirically through a controlled benchmark across multiple datasets and prediction tasks. The results show that sequence models consistently perform best for next activity prediction, whereas tabular foundation models are competitive on temporal tasks, with LLMs usually lagging behind despite higher cost.
• Abstract（参考訳）: 予測プロセス監視(PPM)は、イベントログを利用して、次のアクティビティ、ケース完了までの残り時間、次のイベントまでの時間など、実行中のプロセスインスタンスの将来を予測する。 近年のPPM研究は、Long Short-Term Memory(LSTM)モデルのようなスクラッチから訓練されたディープシーケンスモデル、特に大きな言語モデル(LLM)アプローチなどによって支配されている。 同時に、コンテキスト内学習機能を備えた表形式の基礎モデルは、有望な代替手段を提供するが、まだPMMのために体系的にベンチマークされていない。 したがって、古典的なシーケンスベースのモデルがこの進化の過程において競争力を維持しているかどうかは不明である。 本稿では,複数のデータセットと予測タスクにまたがる制御ベンチマークを通じて,概念的および経験的に3つのモデリングパラダイムを比較した。 その結果, 時系列モデルは次の活動予測に最適であるのに対し, 表層基礎モデルは時間的タスクにおいて競争力があり, LLMは高いコストにもかかわらず遅れていることがわかった。

関連論文リスト

• TS-ICL: A Flexible Time-Indexed Foundation Model for Time Series via In-Context Learning [0.764671395172401]
  現在のアプローチは主に予測に焦点を当てているが、現実の時系列はしばしば不規則で部分的に観察される。 本稿では,予測と計算を統一する新しい確率的インコンテキスト学習エンコーダであるTS-ICLを紹介する。
  論文  参考訳（メタデータ） (2026-06-04T08:52:21Z)
• Towards Unified and Data-Efficient Prognostics and Health Management with Tabular Foundation Models [13.382059615065167]
  Data-driven Prognostics and Health Management (PHM) は、システム状態の診断と、エンジニアリングされた資産の残りの有用な寿命を見積もるために、時間変化のある状態監視データを使用する。 これらのタスクはメンテナンス計画の中心であるが、産業用PHMデータは断片化され、部分的に観察され、ラベルが不十分であることが多い。 In-context Learning を用いた産業時系列に Tabular Foundation Models を適用する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） (2026-06-03T22:00:29Z)
• Time Series Foundation Models for Process Model Forecasting [8.339024524110828]
  プロセスモデル予測は、プロセスの制御フロー構造が時間とともにどのように進化するかを予測することを目的としています。 機械学習とディープラーニングモデルは、統計的ベースラインよりも控えめな利得しか提供しない。 PMF の代替として Time Series Foundation Models (TSFMs) について検討する。
  論文  参考訳（メタデータ） (2025-12-08T15:08:50Z)
• Estimating Time Series Foundation Model Transferability via In-Context Learning [74.65355820906355]
  時系列基礎モデル(TSFM)は、大規模な事前訓練を通じて強力なゼロショット予測を提供する。 微調整は、公開データに制限のあるドメインのパフォーマンス向上に依然として不可欠である。 モデル選択をコンテキスト内学習問題として再キャストする転送可能性推定フレームワークであるTimeTicを紹介する。
  論文  参考訳（メタデータ） (2025-09-28T07:07:13Z)
• ARIES: Relation Assessment and Model Recommendation for Deep Time Series Forecasting [54.57031153712623]
  ARIESは時系列特性とモデリング戦略の関係を評価するためのフレームワークである。 実世界の時系列に解釈可能な提案を提供することのできる,最初の深層予測モデルレコメンデータを提案する。
  論文  参考訳（メタデータ） (2025-09-07T13:57:14Z)
• In-Context Fine-Tuning for Time-Series Foundation Models [18.348874079298298]
  特に、複数の時系列例でトリガーできる事前訓練された基礎モデルを設計する。 我々の基礎モデルは、コンテキストウィンドウ内の複数の関連する時系列の例を利用するように特別に訓練されている。 本研究では,テキスト内サンプルを推論時に使用する基盤モデルにより,一般的な予測ベンチマークにおいて,より優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2024-10-31T16:20:04Z)
• Test Time Learning for Time Series Forecasting [1.4605709124065924]
  テストタイムトレーニング(TTT)モジュールは、MambaベースのTimeMachineなど、最先端モデルよりも一貫して優れている。 その結果,平均二乗誤差 (MSE) と平均絶対誤差 (MAE) に有意な改善が認められた。 この研究は、時系列予測の新しいベンチマークを設定し、スケーラブルで高性能な予測モデルにおける将来の研究の基礎を定めている。
  論文  参考訳（メタデータ） (2024-09-21T04:40:08Z)
• Lag-Llama: Towards Foundation Models for Probabilistic Time Series Forecasting [54.04430089029033]
  本稿では,デコーダのみの変換器アーキテクチャに基づく時系列予測のための汎用基礎モデルであるLag-Llamaを提案する。 Lag-Llamaは、複数のドメインからの多様な時系列データの大規模なコーパスで事前訓練され、強力なゼロショット一般化能力を示す。 このような未確認データセットの比較的小さな部分で微調整を行うと、Lag-Llamaは最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-10-12T12:29:32Z)
• Time-LLM: Time Series Forecasting by Reprogramming Large Language Models [110.20279343734548]
  時系列予測は多くの実世界の力学系において重要な意味を持つ。 時系列予測のための大規模言語モデルを再利用するための再プログラミングフレームワークであるTime-LLMを提案する。 Time-LLMは、最先端の特殊な予測モデルよりも優れた、強力な時系列学習者である。
  論文  参考訳（メタデータ） (2023-10-03T01:31:25Z)
• 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)
• A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
  イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。 基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
  論文  参考訳（メタデータ） (2020-02-21T23:10:50Z)

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。