文献

J-GLOBAL ID：201902291259416587   整理番号：19A1194280

エネルギー効率の良い逐次パターンマイニングのサポートにおける事象関連性剪定定【JST・京大機械翻訳】

Event Relevancy Pruning in Support of Energy-Efficient Sequential Pattern Mining

著者 (3件)： Dagnely Pierre (Sirris - Elucidata Innovation Lab, Brussels, Belgium) ,  Tourwe Tom (Sirris - Elucidata Innovation Lab, Brussels, Belgium) ,  Tsiporkova Elena (Sirris - Elucidata Innovation Lab, Brussels, Belgium)
資料名： Lecture Notes in Computer Science  (Lecture Notes in Computer Science)
巻： 11329  ページ： 227-242  発行年： 2019年 
JST資料番号： H0078D  ISSN： 0302-9743  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 今日,ますます多くの産業資産が連続的に監視され,大量のイベントとセンサデータを生成する。それは,現在,他のものの中で,圧倒的なデータ量のために,現在,過小評価されている資産挙動を理解するための優れた機会を提供する。ほとんどの機械学習/データマイニング法の計算時間はデータ量に対して少なくとも線形であるので,イベントログの大きさの増加はデータの探索とモデルを遅くする。著者らは,異常なプロセス(すなわち,過小性能または故障)が調査されるか,または通常のプロセスが調査されるなら,異常なプロセスに関連するイベント,すなわち,通常のプロセスに関連するイベントを捨てるための前処理ワークフローを開発することによって,この問題に取り組んだ。この前処理ワークフローは,あらゆる産業資産生成イベントログに適用できる。PVイベントログに逐次パターンマイニング(SPM)を適用する前の前処理ステップとして,特定の光起電力(PV)ドメインにおけるワークフローを検証した。このワークフローはSPMの計算時間を95%まで減少させ,数時間(例えば23時間から5秒)までの計算利得をもたらすことを示した。Copyright 2019 Springer Nature Switzerland AG Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 機械学習 ,  故障 ,  線形性 ,  データマイニング ,  光起電力 ,  *エネルギー効率 ,  利得 ,  前処理 ,  ワークフロー
準シソーラス用語： 過小評価 ,  データ量 ,  センサデータ ,  *パターンマイニング , 【Automatic Indexing@JST】

著者キーワード (3件)： データ剪定定 ,  逐次パターンマイニング ,  工業的イベントログ

分類 (2件)： 事務管理  (KA07000H) ,  計算機システム開発  (JD02010R)

タイトルに関連する用語 (6件)： エネルギー効率 ,  逐次 ,  パターンマイニング ,  事象 ,  関連性 ,  剪定