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
本研究项目旨在通过将人工智能和商业流程管理领域的研究结合起来,自动从执行流程数据中导出流程模型,并进行自适应规划和执行实时预测的业务流程。
Aug, 2022
本研究旨在开发处理特殊事件数据的过程挖掘技术,特别是不确定性事件数据,通过回顾现有文献,定义未来展望,为该研究课题奠定基础。
Apr, 2022
运用过程挖掘技术分析无结构数据面临多项挑战,本文讨论这些挑战并提出初步解决方案和未来研究方向,为未来的合作奠定基础。
Nov, 2023
本研究提出了一种基于迁移学习的方法,通过使用大量来源于基于物理的流程模型的计算廉价的数据进行 ML 模型训练,然后在少量代价昂贵的实验数据上进行微调,从而降低了新工艺过程物理模型开发的高成本,并且该方法在 Fused Filament Fabrication 的印刷线宽建模中表现良好,减少了模型开发时间、实验成本、计算成本和预测误差。
Apr, 2023
本文提出了一种基于知识图谱的方法,用于缓解事件日志中的噪声 / 不完整信息对流程分析技术的影响,并帮助流程分析师理解与事件日志相关的可变性。
Jan, 2023
为解决机器学习软件开发复杂性和多学科团队间的沟通问题,本文介绍了基于领域专用语言的机器学习软件开发流程模型框架,该框架通过标准化任务编排、促进沟通、培养协作环境等方式减轻挑战。
Apr, 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
近年来,过程挖掘作为一项成熟技术被应用于分析和改进运营过程。本文提出了一个通过使用不同的过程模型相似性度量来对类似的局部过程模型进行分组的三步流程,并通过实际案例研究展示了分组的实用性以及发现的局部过程模型的重复性对其进行改进的影响。