抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
いくつかの適切な特徴空間上にマッピングした後に,ビジネスプロセスの実行ログにおける「異常」トレース(例えば,通常/望ましい結果からのトレース発散,故障など)を識別する問題は,トレースのための分類モデルを抽出することによって直面することができる。集合学習アプローチは,与えられたログの異なるベクトル空間ビュー上で複数のベース学習者を訓練し,発見されたベース分類器の予測を結合する確率的メタモデルを提案した。しかしながら,この学習手法の逐次集中化実装は,大量のトレースが連続的に生成される実応用に適さない。一方,偏差と正常な挙動の両方が時間とともに変化する傾向がある。ここでは,トレースストリームの異なるチャンクから異なるベースモデルを抽出し,それらをアンサンブルモデルに動的に結合する,新しい増分学習方式を活用するオンライン偏差検出フレームワークを提案した。特に,システムはp2pアーキテクチャに基づいており,多重ノード間の全学習手順を配布し,HPC資源(例えばクラウドコンピューティング環境)の電力を利用することを可能にする。現実のログに関する予備試験は,有効性と効率の両方に関して,このアプローチの妥当性を確認した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】