我们提出了一种系统的方法来揭示真实的业务过程的因果关系，通过利用现有的因果发现算法和活动时序，发现了现有的过程挖掘发现算法生成的模型与因果业务过程模型不一致的情况，并演示了如何在挖掘过程模型中注释这些不一致性的方法。

Oct, 2023

自动流程发现关注业务流程性能，其中等待时间至关重要。本文提出了一种能够明确与时间轴对齐的自动构建流程模型的方法，并以直接后继图为例证。通过对两个 BPIC 数据集和一个专有数据集的评估，突出了该表示方法相较于标准布局技术的优势。

Dec, 2023

基于进程追踪的过程发现中，我们提出了一种基于语法推理的新方法来发现准确描述输入追踪的小图模型，通过设计和评估一种遗传算法，支持推理参数收敛至发现有趣模型的区域。实验证实我们的新方法可以构建更小的模型，准确地表示输入追踪及其频率，并首次将行动图解释为描述行动迹线的随机语言模型。

Dec, 2023

本研究提出了一种基于超图的机器学习算法，一种数据结构驱动的维护方法，以及一种基于概率应用 Dijkstra 算法的规划算法，从而形成了一个目标不可知的自动化学习代理计划引擎，该引擎结合了经典机器学习和传统人工智能的有益特性。我们证明了该算法能够在问题空间内确定最优解，在数学上限制了学习性能，并提供了一种数学模型，分析了系统状态在时间上的进展，从而得出了学习曲线、目标实现率和抽象和不确定性响应的明确预测。为了验证性能，我们展示了将代理应用于三个典型的计划问题的结果，并突出了阐明的特性的实证结论。

Oct, 2021

本文提出了一种基于图分类的方法，用于自动确定是使用整体式还是分解式的解决方案方法；通过适当的特征集，将优化问题表示为捕捉问题的变量和约束之间的结构和功能耦合的图；构建图分类器以确定给定问题的最佳解决方法；以解决分析凸混合整数非线性规划问题时使用分支定界法还是外逼近算法为例展示了所提出方法的应用；最后，展示了学习到的分类器如何并入现有的混合整数优化求解器中。

Oct, 2023

该篇论文介绍了一种针对工业应用量身定制的从时间序列数据中自动学习知识图谱的框架，该框架通过解决工业数据固有的复杂性将其转化为知识图谱，从而提升决策制定、过程优化和知识发现；此外，它还利用格兰杰因果关系识别可以为预测模型设计提供指导的关键属性；为了说明我们的方法的实际效用，我们还呈现了一个现实世界工业场景下应用框架的激励案例；此外，我们演示了如何将时间序列数据自动转换为知识图谱，以识别重要过程参数之间的因果影响或依赖关系。

Jul, 2024

本文提出了一种能够同时进行全局特征提取和线性时间推理的依存句法分析模型，支持投影和非投影句子的解析，经检验表现良好。

Nov, 2019

本文针对贝叶斯网络基于评分函数加搜索过程的局部搜索方法进行了改进，提出了一种利用有限无向结构图进行搜索的新的局部搜索方法，避免了在 DAG 空间中做出早期决策，减少了搜索空间的配置数量，提高了效率，同时在多个测试问题上验证了这种方法的优越性。

Jun, 2011

为了更好的达到过程模型的符合度和简化度之间的平衡，本文提出一种半自动化的过程挖掘方法，包括模型简化方法和引入 meta-state 概念来减少模型复杂度，并以三个医疗领域的数据集为案例来说明该技术方案的应用和提供更好实践。

Jun, 2022

提出了一个用于表示随机过程网络的图形模型 —— 最小生成模型图。该模型是基于时间上联合分布的简化因子化建立的，可以量化 Granger 因果性，并开发了高效的方法来从数据中估计拓扑结构。该算法已在 Twitter 网络的分析上得到了验证。

Apr, 2012