シンプルなエージェントを推す:イベントログ予測におけるアンサンブル手法

arXiv cs.LG / 2026/4/24

📰 ニュースIdeas & Deep AnalysisModels & Research

要点

  • この論文は、ストリーミングのイベントログに対する次アクティビティ予測について、単純なオートマトン型のn-gramモデルとニューラル系列モデル(LSTM、Transformer)を比較します。
  • 合成パターンとプロセスマイニングの実データ5件での実験では、適切に文脈窓を設定したn-gramが、ニューラルモデルに匹敵する精度を達成しつつ計算資源の使用を大幅に抑えられることが示されます。
  • ウィンドウ付きニューラルアーキテクチャは性能が不安定になり得る一方で、n-gramは安定して一貫した精度を提供する、と報告されています。
  • 古典的なアンサンブル(例:複数のn-gramを多数決で統合)はn-gramの精度を向上させますが、多数のエージェントを推論時に並列実行するため、メモリ使用量と推論レイテンシが増えます。
  • 著者らは「promotion(プロモーション)アルゴリズム」と呼ばれる手法を提案し、推論中に2つのモデルの間を動的に選択することで、非ウィンドウ型ニューラルモデル以上の精度を保ちつつ計算コストを削減できることを示します。