論文の概要: Efficient Online Continual Foundation Model Fine-Tuning for Predictive Process Monitoring
- arxiv url: http://arxiv.org/abs/2608.28237v1
- Date: Fri, 28 Aug 2026 11:53:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-31 17:16:04.307552
- Title: Efficient Online Continual Foundation Model Fine-Tuning for Predictive Process Monitoring
- Title（参考訳）: 予測プロセスモニタリングのためのオンライン連続ファンデーションモデルファインチューニング
- Authors: Sjoerd van Straten, Marwan Hassani,
- Abstract要約: 予測プロセスモニタリングのためのFMの連続的な微調整のための最初のフレームワークを提案する。
損失プレートドリフト検出を適用して、イベントストリーム内のタスク境界を自律的に識別する。
我々は,合成および実世界のコンセプトドリフトシナリオをカバーする9つのイベントストリームに対するアプローチを評価した。
- 参考スコア（独自算出の注目度）: 0.34376560669160394
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Predictive Process Monitoring (PPM) models are increasingly deployed in dynamic environments where concept drift causes the underlying process distribution to shift over time. While recent work has moved toward online continual learning, existing methods train compact, task-specific networks entirely from scratch, leaving a persistent cold-start problem. Foundation Models (FMs) offer a compelling solution to this problem, but their continual fine-tuning in the process mining domain remains unexplored. We propose COMPASS (Continual Online foundation Model-based PPM with Adaptive SubSpaces), the first framework for online continual fine-tuning of FMs for PPM. COMPASS adapts loss-plateau drift detection to autonomously identify task boundaries in event streams and maintains a unified knowledge subspace including both pre-trained and task-specific directions. We evaluate our approach on nine event streams covering synthetic and real-world concept drift scenarios, across task-free and task-aware settings with multiple backbones and with consistent hyperparameter tuning across all methods. Our approach outperforms three SOTA non-FM competitors and two update strategy baselines, with particularly strong gains on streams exhibiting recurrent drift and complex, long-running cases, while incurring acceptable computational overhead compared to the non-FM competitors.
- Abstract（参考訳）: 予測プロセスモニタリング(PPM)モデルは、コンセプトドリフトがプロセスの分散を時間とともにシフトさせる動的な環境にますますデプロイされる。
最近の研究はオンライン連続学習に移行しているが、既存の手法は、コンパクトでタスク固有のネットワークを完全にゼロからトレーニングし、永続的なコールドスタートの問題を残している。
ファンデーションモデル(FM)は、この問題に対する説得力のある解決策を提供するが、プロセスマイニング領域におけるそれらの継続的な微調整は、まだ探索されていない。
我々は,PPMのためのFMの連続的な微調整を行うための最初のフレームワークであるCompASS(Continual Online foundation Model-based PPM with Adaptive SubSpaces)を提案する。
CompASSは、イベントストリーム内のタスク境界を自律的に識別するロスプレートドリフト検出に適応し、事前訓練された方向とタスク固有の方向の両方を含む統一された知識サブスペースを維持する。
我々は,9つのイベントストリームに対するアプローチを,合成および実世界のコンセプトドリフトシナリオ,複数のバックボーンを持つタスクフリーおよびタスクアウェア設定,およびすべてのメソッドをまたいだ一貫したハイパーパラメータチューニングを対象とする,9つのイベントストリームについて評価した。
提案手法は3つのSOTA非FMコンペティタと2つの更新戦略ベースラインを上回り,特に繰り返し発生するドリフトと複雑で長期にわたるケースを示すストリームに対して,非FMコンペティタと比較して計算オーバーヘッドが許容できる。
関連論文リスト
- D-TAIA: Domain-Aware LLM Adaptation for Multi-Task Predictive Process Monitoring [0.30586855806896046]
3つの条件は既存の手法、すなわちデータ不足、高プロセスエントロピー、分散シフトを劣化させる。
本稿では,FMバックボーンをパラメータ効率で微調整することで,次の活動と継続時間の予測を行うためのフレームワークであるD-TAIAを紹介する。
論文 参考訳（メタデータ） (2026-08-28T11:53:16Z) - Aligning Flow Map Policies with Optimal Q-Guidance [50.514994916864275]
フローマップポリシは、任意のサイズのジャンプを学習することで、高速なアクション生成のために設計されている。
FLOW MAP Q-GUIDANCE (FMQ) は, 批判誘導型信頼領域制約の下でオフラインフローマップポリシーを適用するのに最適な, 原則付きクローズドフォーム学習ターゲットである。
FMQは、オフラインからオフラインまでのRLにおける最先端のパフォーマンスを達成し、平均成功率に対して21.3%の相対的な改善により、以前のワンステップポリシーMVPを上回っている。
論文 参考訳（メタデータ） (2026-05-12T17:12:29Z) - Faster Inference of Flow-Based Generative Models via Improved Data-Noise Coupling [69.7108839028336]
条件付きフローマッチング(CFM)は、連続正規化フローをトレーニングするためのシミュレーション不要な手法である。
LOOM-CFMは、トレーニング時間内にミニバッチ間でこれらの割り当てを保存し、最適化することにより、ミニバッチ最適輸送(OT)の範囲を拡大する新しい手法である。
提案手法は,複数のデータセット間の速度品質トレードオフのサンプリングにおける一貫した改善を示す。
論文 参考訳（メタデータ） (2026-03-16T13:42:28Z) - ROSFD: Robust Online Streaming Fraud Detection with Resilience to Concept Drift in Data Streams [0.0]
ストリーミングデータの連続生成は、タイムリーな不正検出を必要とする。
伝統的なバッチ処理手法は、しばしば急速に進化する不正行為のパターンを捉えるのに苦労する。
本稿では,効果的な不正検出のためのストリーミングデータ処理の重要性を強調した。
論文 参考訳（メタデータ） (2025-04-14T13:50:23Z) - PFSD: A Multi-Modal Pedestrian-Focus Scene Dataset for Rich Tasks in Semi-Structured Environments [73.80718037070773]
本稿では, 半構造化シーンに, nuScenesの形式を付加したマルチモーダルなPedestrian-Focused Sceneデータセットを提案する。
また,密集・隠蔽シナリオにおける歩行者検出のためのHMFN(Hybrid Multi-Scale Fusion Network)を提案する。
論文 参考訳（メタデータ） (2025-02-21T09:57:53Z) - Online Reward-Weighted Fine-Tuning of Flow Matching with Wasserstein Regularization [14.320131946691268]
本稿では,フローベース生成モデルのための,使いやすく,理論的に健全な微調整法を提案する。
提案手法は,オンライン報酬重み付け機構を導入することにより,データ多様体内の高次領域の優先順位付けをモデルに導出する。
本手法は,報酬と多様性のトレードオフを制御可能とし,最適な政策収束を実現する。
論文 参考訳（メタデータ） (2025-02-09T22:45:15Z) - MOTO: Offline Pre-training to Online Fine-tuning for Model-based Robot
Learning [52.101643259906915]
本研究では,高次元観測による強化学習におけるオフライン事前学習とオンラインファインチューニングの問題について検討する。
既存のモデルベースオフラインRL法は高次元領域におけるオフラインからオンラインへの微調整には適していない。
本稿では,事前データをモデルベース値拡張とポリシー正則化によって効率的に再利用できるオンラインモデルベース手法を提案する。
論文 参考訳（メタデータ） (2024-01-06T21:04:31Z) - Distribution-Aware Continual Test-Time Adaptation for Semantic Segmentation [33.75630514826721]
実世界の応用において, セマンティックセグメンテーションCTTAを効率的かつ実用的なものにするための分散対応チューニング(DAT)手法を提案する。
DATは、連続的な適応プロセス中にデータ分布に基づいて、トレーニング可能なパラメータの2つの小さなグループを適応的に選択し、更新する。
我々は2つの広く使われているセマンティックセマンティックセマンティクスCTTAベンチマークで実験を行い、従来の最先端手法と比較して有望な性能を実現した。
論文 参考訳（メタデータ） (2023-09-24T10:48:20Z)
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。