論文の概要: A Unified Particle Filter LSTM for Data-Driven Process Simulation

• arxiv url: http://arxiv.org/abs/2609.01967v1
• Date: Wed, 02 Sep 2026 00:53:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.023526
• Title: A Unified Particle Filter LSTM for Data-Driven Process Simulation
• Title（参考訳）: データ駆動型プロセスシミュレーションのための統一粒子フィルタLSTM
• Abstract要約: イベントログは、基礎となるプロセス状態の部分的なビューのみを提供する。 本稿では,重み付けされた再帰状態仮説を逐次更新する統一粒子フィルタLSTMを提案する。 このフレームワークは、イベントログデータからエンドツーエンドにトレーニングされ、3つの現実世界の緊急部署のデータセットで評価される。
• 参考スコア（独自算出の注目度）: 1.9473631530390483
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data-driven process simulation aims to generate realistic case trajectories from historical event logs without requiring an explicitly specified model of the underlying dynamics. Deep sequence models can capture complex temporal dependencies through next-activity probabilities and conditional time distributions. However, event logs provide only a partial view of the underlying process state, often recording activity completions without the corresponding service-start times. Consequently, the same observed process history may be consistent with multiple plausible latent process conditions, whereas standard recurrent models compress each process prefix into a single deterministic recurrent state. We propose a Unified Particle Filter LSTM (Unified PF-LSTM) that maintains and sequentially updates a weighted set of recurrent-state hypotheses. We summarize this particle belief using its weighted mean and learned features based on the moment-generating function. The resulting representation is used to predict a categorical distribution over the next activity and conditional quantiles of the current activity's sojourn time. The framework is trained end-to-end from event-log data and evaluated on three real-world emergency department datasets. The results show that the proposed framework consistently outperforms the considered data-driven baselines in reproducing routing, duration, and system-level behavior across all datasets, with particularly strong gains in settings where complex process dynamics are only partially reflected in the available event logs.
• Abstract（参考訳）: データ駆動プロセスシミュレーションは、基礎となるダイナミックスの明確なモデルを必要とすることなく、過去のイベントログから現実的なケーストラジェクトリを生成することを目的としている。 ディープシークエンスモデルは、次の活動確率と条件付き時間分布を通して複雑な時間的依存関係をキャプチャすることができる。 しかしながら、イベントログは、基礎となるプロセス状態の部分的なビューのみを提供し、しばしば、対応するサービス開始時間なしでアクティビティ完了を記録する。 結果として、同じ観察されたプロセス履歴は複数の可塑性潜在プロセス条件と一致しうるが、標準的な再帰モデルは各プロセスプレフィックスを1つの決定論的再帰状態に圧縮する。 重み付けされた再帰状態仮説を逐次更新する統一粒子フィルタLSTM(Unified PF-LSTM)を提案する。 重み付き平均を用いてこの粒子の信念を要約し,モーメント生成関数に基づく特徴を学習する。 結果として得られる表現は、次の活動のカテゴリー分布と現在の活動の待ち時間の条件量子化を予測するために用いられる。 このフレームワークは、イベントログデータからエンドツーエンドにトレーニングされ、3つの現実世界の緊急部署のデータセットで評価される。 提案したフレームワークは、ルーティング、持続時間、システムレベルの振る舞いをすべてのデータセットで再現する上で、考慮されたデータ駆動ベースラインを一貫して上回り、複雑なプロセスのダイナミクスが利用可能なイベントログに部分的にのみ反映されるような設定では特に顕著に向上している。

関連論文リスト

• Enhancing Irregular Time Series Forecasting with Continuous-Time Modeling Framework [15.900704071560698]
  WrapFlowは、不規則な時系列予測のための連続時間モデリングフレームワークである。 本研究では,ベース予測に関する条件付き残差ベクトル場を学習する残差フローマッチングの訓練パラダイムを開発する。 複数の実世界のデータセットの実験は、WrapFlowが最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2026-07-30T11:18:18Z)
• TapSampling: Inference-Time Sampling with a Task-Progress-Understanding Verifier for Robotic Manipulation [61.35569005726248]
  既存の具体的制御研究は、トレーニングデータとモデルサイズをスケールすることで、顕著なパフォーマンス向上を示す。 拡散や自己回帰モデルのような非決定論的生成モデルは、エンボディドコントロールの分野で広く採用されている。 推測時間サンプリングのためのプラグイン・アンド・プレイフレームワークである textbfTapSampling を提案する。
  論文  参考訳（メタデータ） (2026-05-25T08:03:31Z)
• Monitoring Data-aware Temporal Properties (Extended Version) [56.386411908764494]
  有限トレース上の任意のSMT理論に富む線形時間特性の予測モニタリングについて考察する。 この設定での予測モニタリングは非常に困難であり、監視状態はこれまでのトレースプレフィックスと可能な有限継続の両方に依存している。 本研究は,表現的フラグメントオフMTにおける特性モニタリングのための新しい基礎的枠組みの正しさを提示し,正式に証明するものである。
  論文  参考訳（メタデータ） (2026-05-14T10:23:11Z)
• Speculative Sampling for Parametric Temporal Point Processes [9.15731236208975]
  時間点過程はイベントシーケンスの強力な生成モデルである。 それらは一般的に、前のイベントから次のイベントの分布を学ぶ自動回帰モデルを使って指定される。 本稿では、既存のTPPモデルから複数の将来の値の正確なサンプリングを可能にする、リジェクションサンプリングに基づく新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-10-22T21:20:26Z)
• Edit-Based Flow Matching for Temporal Point Processes [51.33476564706644]
  時間的ポイントプロセス(TPP)は、イベントシーケンスを連続的にモデル化するための基本的なツールである。 最近の非自己回帰拡散型モデルでは、ノイズとデータとの連立補間によってこれらの問題を緩和している。 本稿では,TPPの編集操作を挿入,削除,置換することで,ノイズをデータに転送する編集フロープロセスを提案する。
  論文  参考訳（メタデータ） (2025-10-07T15:44:12Z)
• TIMED: Adversarial and Autoregressive Refinement of Diffusion-Based Time Series Generation [0.31498833540989407]
  TIMEDは、フォワード-リバース拡散プロセスを通じてグローバル構造をキャプチャする統合生成フレームワークである。 特徴空間における実および合成分布をさらに整合させるため、TIMEDは最大平均離散性(MMD)損失を取り入れている。 我々は、TIMEDが最先端の生成モデルよりも現実的で時間的に一貫性のあるシーケンスを生成することを示す。
  論文  参考訳（メタデータ） (2025-09-23T23:05:40Z)
• Temporal Causal-based Simulation for Realistic Time-series Generation [1.49201581313345]
  因果発見(Causal Discovery)は、観察された変数間の関係を明らかにする上で、特に時間的設定において重要な役割を果たす。 因果構造、効果、時間に関する簡易な仮定に基づく生成技術は、シミュレーションデータの品質と多様性を制限する。 本稿では,実時間時系列データとその関連する時間因果グラフを生成するための堅牢なフレームワークである時間因果シミュレーション(TCS)を紹介する。
  論文  参考訳（メタデータ） (2025-06-02T10:59:48Z)
• Event Signal Filtering via Probability Flux Estimation [58.31652473933809]
  イベントは、非同期センシングを通じてシーンダイナミクスをキャプチャするための新しいパラダイムを提供するが、その固有のランダム性は、しばしば劣化した信号品質につながる。 したがって、イベント信号フィルタリングは、この内部ランダム性を低減し、多様な取得条件をまたいだ一貫した出力を確保することで、忠実性を高めるために不可欠である。 本稿ではイベント密度フローフィルタ(EDFilter)と呼ばれる生成オンラインフィルタリングフレームワークを紹介する。 実験では、イベントフィルタリング、スーパーレゾリューション、イベントベースの直接追跡といったタスクでEDFilterのパフォーマンスを検証する。
  論文  参考訳（メタデータ） (2025-04-10T07:03:08Z)
• TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
  TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。 提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。 我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
  論文  参考訳（メタデータ） (2024-01-06T06:26:49Z)
• Probabilistic Modeling for Sequences of Sets in Continuous-Time [14.423456635520084]
  設定値データを連続的にモデリングするための一般的なフレームワークを開発する。 また,そのようなモデルを用いて確率的クエリに答える推論手法も開発している。
  論文  参考訳（メタデータ） (2023-12-22T20:16:10Z)
• Continuous-time convolutions model of event sequences [46.3471121117337]
  イベントシーケンスは不均一でスパースであり、従来のモデルは不適当である。 我々は、時間とともに一様でない事象の発生を処理するために設計された効率的な畳み込みニューラルネットワークに基づくCOTICを提案する。 COTICは、次のイベント時間とタイプを予測する際に既存のモデルよりも優れており、最も近いライバルの3.714と比較して平均1.5のランクに達している。
  論文  参考訳（メタデータ） (2023-02-13T10:34:51Z)
• 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。