本文介绍了一种端到端的方法，用于在线监控和发现决策点和相应的决策规则，同时提供了有效的决策漂移发现和监控，对于理解业务流程中的决策有帮助。

Mar, 2023

通过使用现代 Transformer 架构和传统机器学习技术，评估模拟过程规律的能力，并突出关键特征，提高模型预测能力。证明了应用机器学习模型预测关键业务流程的有效性以及 XAI 组件提供的新见解。

Dec, 2022

该研究综合了深度学习算法在流程挖掘中的应用，着重通过系统性文献综述的方式，分析不同数据处理方案、网络拓扑结构、以及目标预测等方面的优缺点。

Jan, 2021

本文探讨了预测业务流程监控（PPM）中不同设置对 ML 模型的影响，并研究了导致生成不同解释的原因。

Feb, 2022

本文介绍了一个多阶段综合的机器学习方法，有效地将信息系统和人工智能相结合，以增强操作研究领域内的决策过程的效力。该方法能够解决现有解决方案的常见限制，例如忽略关键生产参数的数据驱动估计、仅生成点预测而不考虑模型不确定性以及缺乏关于不确定性来源的解释。我们的方法利用分位数回归森林生成间隔预测，同时采用了局部和全局版本的 SHapley 加性解释，用于研究预测过程监测问题。通过一个实际的生产计划案例研究，我们证明了所提出方法的实际适用性，强调了规范分析在完善决策程序方面的潜力。本文强调了解决这些挑战以充分利用广泛和丰富的数据资源来进行明智决策。

Apr, 2023

本文探讨了在将机器学习模型整合进过程挖掘管道中所需考虑的问题，特别是数据分布的非参数性以及并发限制，提出了正确地将机器学习与过程挖掘相结合的方法学基础及在这一方向上的研究思路。

Jun, 2023

本研究在预测过程监测领域进行用户评估，旨在探究模型解释是否可理解、在决策制定任务中是否有用以及如何使其更适合过程分析师，结果表明，说明套装总体上对业务流程管理用户具有可理解性和对决策制定任务有用，但不同绘图方式的理解和使用存在差异，不同机器学习专业水平的用户对其理解和使用方式也有所不同。

Feb, 2022

本文提出了一种分布式决策方法，用于制造任务分配和基于条件的机器健康维护，并基于马尔可夫决策过程设计决策代理，以处理决策过程中涉及的不确定性。通过数值案例研究，证明该方法具有灵活性和实用性，并可以用人工智能学习成本参数。

Jan, 2024

该论文通过 PRISMA 框架对机器学习模型的可解释性和可解释性进行了系统的文献综述，重点研究了在预测性过程挖掘中使用复杂业务流程数据训练的机器学习模型的解释挑战，区分了内在可解释模型和需要事后解释技术的模型，并全面概述了当前方法在各应用领域的应用及其应用。通过严格的文献分析，该研究对预测性过程挖掘中的可解释性和可解释性状况进行了详细综合，识别了关键趋势、挑战和未来发展方向。研究结果旨在为研究人员和实践者提供更深入的了解，以开发和实施更可靠、透明和有效的智能预测性过程分析系统。

Dec, 2023

本文提出了一种解释性度量方式并应用于基于过程的结果预测领域，然后通过对 13 个现实事件日志的实验测试七个分类器和可解释技术，提供了一个名为 X-MOP 的指南，以选择合适的模型。

Mar, 2022