Компьютерные науки > Машинное обучение [представлено 11 сентября 2026 года] Название: " О потенциале многоцелевого обучения в области прогнозирования процесса мониторинга HTML (экспериментальный) резюме: Предварительный мониторинг процессов (ПМП) прогнозирует ход текущих организационных процессов, позволяя информационным системам перейти от поддержки исполнения к инициативному анализу и мониторингу. Несмотря на то, что глубокое обучение повысило точность прогнозов в ППМ, большинство подходов построены на принципе индивидуального обучения (НТ), предусматривающего подготовку отдельной модели по каждой задаче. Это увеличивает объем работы по обслуживанию и не учитывает потенциальный синергизм. Многозадачное обучение (МТС), которое совместно учится нескольким целям прогнозирования в одной модели, является многообещающей альтернативой, однако его эффективность в ППМ по-прежнему недооценивается. Остается неясным, улучшаются ли и при каких условиях MTL на STL, какие задачи прогнозирования в наибольшей степени выигрывают от совместного обучения, какие сочетания задач являются особенно синергическими, а также если и каким образом задачи должны быть сбалансированы. Для восполнения этого пробела мы представляем первое всеобъемлющее эмпирическое исследование по ППМ с оценкой различных комбинаций задач, нейронных архитектур и методов оптимизации. В целом, мы считаем, что МТЛ является одной из сильных парадигм ППМ: мы видим существенные улучшения в прогнозировании следующей…
О потенциале многоцелевого обучения в области контроля за прогнозировательным процессом
arXiv:2609.13477v1 Тип уведомления: новое резюме: прогнозный мониторинг процессов (ППМ) предсказывает ход текущих организационных процессов, позволяя информационным системам перейти от поддержки исполнения к инициативному анализу и мониторингу. Несмотря на то, что глубокое обучение повысило точность прогнозов в ППМ, большинство подходов построены на принципе индивидуального обучения (НТ), предусматривающего подготовку отдельной модели по каждой задаче. Это увеличивает объем работы по обслуживанию и не учитывает потенциальный синергизм. Многозадачное обучение (МТС), которое совместно учится нескольким целям прогнозирования в одной модели, является многообещающей альтернативой, однако его эффективность в ППМ по-прежнему недооценивается. Остается неясным, улучшаются ли и при каких условиях MTL на STL, какие задачи прогнозирования в наибольшей степени выигрывают от совместного обучения, какие сочетания задач являются особенно синергическими, а также если и каким образом задачи должны быть сбалансированы. Для восполнения этого пробела мы представляем первое всеобъемлющее эмпирическое исследование МТЛ для ППМ, в котором оцениваются различные сочетания задач.