Generating Hidden Markov Models from Process Models Through Nonnegative Tensor Factorization

要約

産業プロセスの監視は、生産サイクルの信頼性、迅速な緊急対応、国家安全保障を確保するために、産業界と政府において重要な機能です。
プロセス監視により、ユーザーは産業プロセスにおける組織の進捗状況を測定したり、遠隔地で行われるプロセスの機械部品の劣化や老化を予測したりできます。
多くのデータ サイエンス アプリケーションと同様に、私たちは通常、衛星画像、短いビデオ クリップ、イベント ログ、少数のセンサーでキャプチャされたシグネチャなど、限られた生データにしかアクセスできません。
データ不足に対処するために、当社は対象となるアクションに精通した対象分野の専門家 (SME) の知識を活用します。
中小企業は、タスクの完了に必要な重要な活動に関する専門知識と、これらの各活動を実行するために必要なリソースを提供します。
この種の分析のために、さまざまなプロセス マイニング技術が開発されています。
通常、このようなアプローチは、分野専門家の洞察に基づいて構築された理論的プロセス モデルと、利用可能な生データのアドホックな統合を組み合わせたものです。
ここでは、理論的プロセス モデル (中小企業によって提案されたもの) を、非負のテンソル因数分解によって構築された相互に関連する最小隠れマルコフ モデル (HMM) と統合する、数学的に健全な新しい方法を紹介します。
私たちの方法は、(a) 理論的プロセス モデル、(b) HMM、(c) 結合された非負行列テンソル因数分解、および (d) カスタム モデルの選択を統合します。
私たちの方法論とその能力を実証するために、それを単純な合成モデルと現実世界のプロセス モデルに適用します。

要約(オリジナル)

Monitoring of industrial processes is a critical capability in industry and in government to ensure reliability of production cycles, quick emergency response, and national security. Process monitoring allows users to gauge the progress of an organization in an industrial process or predict the degradation or aging of machine parts in processes taking place at a remote location. Similar to many data science applications, we usually only have access to limited raw data, such as satellite imagery, short video clips, event logs, and signatures captured by a small set of sensors. To combat data scarcity, we leverage the knowledge of Subject Matter Experts (SMEs) who are familiar with the actions of interest. SMEs provide expert knowledge of the essential activities required for task completion and the resources necessary to carry out each of these activities. Various process mining techniques have been developed for this type of analysis; typically such approaches combine theoretical process models built based on domain expert insights with ad-hoc integration of available pieces of raw data. Here, we introduce a novel mathematically sound method that integrates theoretical process models (as proposed by SMEs) with interrelated minimal Hidden Markov Models (HMM), built via nonnegative tensor factorization. Our method consolidates: (a) theoretical process models, (b) HMMs, (c) coupled nonnegative matrix-tensor factorizations, and (d) custom model selection. To demonstrate our methodology and its abilities, we apply it on simple synthetic and real world process models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google