論文の概要: On the Potential of Multi-Task Learning in Predictive Process Monitoring

• arxiv url: http://arxiv.org/abs/2609.13477v1
• Date: Fri, 11 Sep 2026 19:47:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.333056
• Title: On the Potential of Multi-Task Learning in Predictive Process Monitoring
• Title（参考訳）: 予測プロセスモニタリングにおけるマルチタスク学習の可能性について
• Abstract要約: マルチタスク学習(MTL)は、1つのモデルで複数の予測対象を共同で学習する。 本研究は,予測プロセスモニタリングのためのMLLの総合的研究である。 MTLを用いたクラス不均衡の次活性予測と固有緩和の大幅な改善が期待できる。
• 参考スコア（独自算出の注目度）: 11.211357105552686
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predictive Process Monitoring (PPM) forecasts how ongoing organizational processes unfold, enabling information systems to move beyond execution support toward proactive analysis and monitoring. Although deep learning has improved prediction accuracy in PPM, most approaches follow a single-task learning (STL) setup, training a separate model per task. This increases maintenance effort and overlooks potential synergies. Multi-task learning (MTL), which jointly learns multiple prediction targets in one model, offers a promising alternative, yet its effectiveness in PPM remains underexplored. It remains unclear whether and under which settings MTL improves upon STL, which prediction tasks benefit most from joint learning, which task combinations are particularly synergistic, and if and how tasks should be balanced. To fill this gap, we present the first comprehensive empirical study of MTL for PPM, evaluating a variety of task combinations, neural architectures, and optimization methods. Overall, our results position MTL as a strong paradigm for PPM: we see substantial improvements in next-activity prediction and inherent mitigation of class imbalance using MTL, while task balancing is especially critical under low-capacity models.
• Abstract（参考訳）: 予測プロセスモニタリング(PPM)は、進行中の組織プロセスがどのように展開するかを予測する。 ディープラーニングはPPMの予測精度を改善したが、ほとんどのアプローチはシングルタスク学習(STL)のセットアップに従って、タスク毎に個別のモデルをトレーニングしている。 これによりメンテナンスの労力が増加し、潜在的なシナジーを見落とします。 1つのモデルで複数の予測対象を共同で学習するマルチタスク学習(MTL)は、有望な代替手段を提供するが、PPMの有効性は未解明のままである。 STLでは,どのタスクが共同学習の恩恵を受けるか,どのタスクの組み合わせが特にシナジスティックか,どのようにタスクのバランスをとるべきか,といった設定が改善されるのかは,まだ不明である。 このギャップを埋めるために、我々は、様々なタスクの組み合わせ、ニューラルアーキテクチャ、最適化手法の評価を行い、PPMのためのMTLに関する最初の総合的な実証的研究を提示する。 低容量モデルでは, タスクバランスが特に重要であるのに対して, MTLは次の活動予測とクラス不均衡の緩和に大きく改善されている。

関連論文リスト

• Delve into the Applicability of Advanced Optimizers for Multi-Task Learning [70.80216936064654]
  MTL(Multi-Task Learning)は、機械学習の問題であり、過去10年間に広範囲に開発されてきた。 APT(Advanced oPizers)は,高度とMTLの強度のバランスをとるために設計された,シンプルな適応運動量機構を備えたフレームワークである。
  論文  参考訳（メタデータ） (2026-04-10T04:15:31Z)
• Ensemble Prediction of Task Affinity for Efficient Multi-Task Learning [8.604749005323557]
  MTLの性能向上を予測するために,原則とデータ駆動型推定器を統合したスケーラブルなフレームワークであるETAP(Ensemble Task Affinity Predictor)を提案する。 我々は、ETAPがMPLゲイン予測を改善し、より効率的なタスクグループ化を可能にし、多様なアプリケーションドメインで最先端のベースラインを達成できることを実証した。
  論文  参考訳（メタデータ） (2026-02-20T19:57:38Z)
• Revisit the Imbalance Optimization in Multi-task Learning: An Experimental Analysis [44.410446932443]
  マルチタスク学習(MTL)は、1つのネットワークをトレーニングして複数のタスクを共同実行することで汎用的な視覚システムを構築することを目的としている。 期待されているが、そのポテンシャルは「不均衡な最適化」によって妨げられることが多い。 本稿では,この持続的問題に寄与する要因を解明するための系統的な実験的検討を行った。
  論文  参考訳（メタデータ） (2025-09-28T14:40:06Z)
• Domain Adaptation of LLMs for Process Data [7.611051482274626]
  大規模言語モデル(LLM)は,プロセスマイニング(PM)など,さまざまな研究領域において注目の的となっている。 本研究では,事前学習したLLMの自然言語再構成なしでの処理データへの直接適応について検討した。 より具体的には、パラメータ効率のよい微調整技術に注目し、そのようなモデルに典型的に関連する計算オーバーヘッドを軽減する。
  論文  参考訳（メタデータ） (2025-09-03T09:21:35Z)
• PLAN-TUNING: Post-Training Language Models to Learn Step-by-Step Planning for Complex Problem Solving [66.42260489147617]
  大規模言語モデルから合成タスク分解を蒸留するフレームワークであるPLAN-TUNINGを紹介する。 複雑な推論を改善するために、教師付きおよび強化学習の目的を通したプランチューン細管モデル。 本分析は,計画軌道が複雑な推論能力をいかに改善するかを示す。
  論文  参考訳（メタデータ） (2025-07-10T07:30:44Z)
• Injecting Imbalance Sensitivity for Multi-Task Learning [36.60453299563175]
  マルチタスク学習(MTL)は、リアルタイムアプリケーションにディープラーニングモデルをデプロイするための有望なアプローチとして登場した。 近年,MLLにおけるタスク共有表現を確立するための最適化に基づく学習パラダイムが提案されている。 本稿は、これらの研究が主に紛争問題を強調しつつ、MTLにおける不均衡/支配の潜在的に重大な影響を無視していることを実証的に論じる。
  論文  参考訳（メタデータ） (2025-03-11T03:11:54Z)
• Learn from Downstream and Be Yourself in Multimodal Large Language Model Fine-Tuning [104.27224674122313]
  微調整MLLMは、特定の下流タスクのパフォーマンスを改善するための一般的なプラクティスとなっている。 一般化と特殊化のトレードオフのバランスをとるために,事前学習と微調整の両方におけるパラメータの重要度を測定することを提案する。
  論文  参考訳（メタデータ） (2024-11-17T01:16:37Z)
• On-the-fly Modulation for Balanced Multimodal Learning [53.616094855778954]
  マルチモーダル学習は、異なるモーダルからの情報を統合することでモデル性能を向上させることが期待されている。 広く使われている共同トレーニング戦略は、不均衡で最適化されていないユニモーダル表現につながる。 そこで本研究では,OGM(On-the-fly Prediction Modulation)とOGM(On-the-fly Gradient Modulation)の戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-15T13:15:50Z)
• Multi-Task Learning as a Bargaining Game [63.49888996291245]
  マルチタスク学習(MTL)では、複数のタスクを同時に予測するためにジョイントモデルを訓練する。 これらの異なるタスクの勾配が矛盾する可能性があるため、MTLのジョイントモデルを訓練すると、対応するシングルタスクモデルよりも低いパフォーマンスが得られる。 本稿では,パラメータ更新のジョイント方向で合意に達するためのタスクを交渉する交渉ゲームとして,勾配の組み合わせステップを考察する。
  論文  参考訳（メタデータ） (2022-02-02T13:21:53Z)
• Multi-Task Learning for Dense Prediction Tasks: A Survey [87.66280582034838]
  マルチタスク学習(MTL)技術は、性能、計算、メモリフットプリントに関する有望な結果を示している。 我々は、コンピュータビジョンにおけるMLLのための最先端のディープラーニングアプローチについて、よく理解された視点を提供する。
  論文  参考訳（メタデータ） (2020-04-28T09:15:50Z)

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。