Dec, 2023

数据随时变化：从过程事件日志中发现数据修改规则

PDF
TL;DR基于事件日志，我们旨在找到准确而简洁可解释的 if-then 规则，描述过程如何修改数据。我们使用 MDL 原则正式定义问题，并提出贪婪的 Moody 算法来高效搜索规则。通过对合成的和真实世界数据的广泛实验，我们展示了 Moody 确实可以发现简洁和可解释的规则，只需要少量数据进行准确发现，并且对噪声具有鲁棒性。
发现论文，激发创造
  • 业务流程的预测监控

    本文介绍了一种分析事件日志的方法，以在商业流程执行期间预测性地监视业务目标。该方法可在 ProM 流程挖掘工具套件中实现，并验证了其在大型医院癌症患者治疗日志方面的有效性。

    Dec, 2013

  • 基于规则的 LTLf 过程规范的测量：一种基于概率的数据驱动方法

    本文介绍了一种为声明性流程规范设计概率测量的框架。提出了一种测量事件日志上规范满足度的技术，并使用真实数据进行了评估，证明了它在发现、检查和漂移检测方面的适用性。

    May, 2023

  • 利用最小描述长度方法推导 Hawkes 过程中的因果关系

    本文提出了用 MDL 算法推导多维 Hawkes 过程网络的因果关系，同时在金融数据实验中表现出优异性能。

    Jun, 2022

  • 揭示潜在因果规则：一种异常事件解释的时态点过程方法

    提出了一种自动化方法，使用时间点过程建模来发现规则并解释事件的发生，通过采用期望最大算法进行规则和参数更新，最终优化规则集合，展示了在合成和真实医疗数据集中准确性能表现。

    Feb, 2024

  • 尽管信息不完整，事件预测与因果推断

    我们研究了在数据点序列中预测和解释事件发生的挑战，特别关注未知触发器导致事件发生的非连续、屏蔽和嘈杂数据点的情况。通过结合分析、仿真和机器学习方法，我们探索、量化和提供了解决此挑战的解决方案，并确证了支持各种变化的通用方程。使用这些方程，我们描述了复杂性如何随各参数变化（例如，明显和隐藏状态的数量、触发器长度、置信度等）而变化，并量化了成功训练机器学习模型所需的数据。我们还证明了我们的机器学习解决方案能够学习和识别未知触发器并预测事件的发生。如果挑战的复杂性过高，我们的机器学习解决方案可以识别触发器候选项，以更高效的方式与正在调查的系统进行交互，以确定真正的触发器。通过分享我们的发现，我们希望帮助其他面临类似挑战的人们，让他们能够估计问题的复杂性、所需数据以及解决方案。

    Jun, 2024

  • 从网络消息日志中学习潜在事件

    本研究针对大型分布式数据中心网络中的错误消息分离问题进行了研究，提出了一种将该问题转换为文档主题发现问题的映射方法，并利用 LDA 算法进行求解。其中，引入了一个新的变点检测算法，将消息日志分割成称之为分集的小子集，并在实际数据集上进行了扩展性展示。

    Apr, 2018

  • 神经符号时序点过程

    我们引入了一个神经符号规则归纳框架，该框架通过时序点过程模型高效地发现一个紧凑的时间逻辑规则集合来解释感兴趣的不规则事件。我们采用了矢量嵌入来表示谓词和逻辑规则，并通过梯度下降训练逻辑规则嵌入以获得谓词嵌入的最适合的组合表示。为了使规则学习过程更高效和灵活，我们采用了顺序覆盖算法，该算法逐步将规则添加到模型中，并移除已解释的事件序列，直到所有事件序列都被覆盖。在合成和真实数据集中，我们的方法表现出显著的效率和准确性，以较大的优势超过了现有技术基准的效率。

    Jun, 2024

  • 基于 MDL 的规则列表的可解释多分类

    本文介绍了一种基于概率规则列表和最小描述长度原则的模型选择方法，该方法可以在减小模型复杂度与保持良好拟合度之间进行折衷。同时，介绍了 Classy 算法，该算法针对多类别分类问题，选择小的概率规则列表，实现了良好的性能和可解释性。

    May, 2019

  • PELP: 利用序列到序列神经网络预测先驱事件日志

    使用序列到序列深度学习方法解决事件日志预测问题，可以在合成日志和真实日志中生成完美的预测，并为事件日志预测提供实际建议。

    Dec, 2023

  • 基于聚类的预测性过程监控

    提出了一个基于事件日志的预测性流程监控框架，在运行中的案例中，通过将其映射到群集并应用相应的分类器，估计一个给定谓词在完成时将被满足的概率，该框架已在 ProM 工具集上实现并在一家大型医院的癌症治疗日志上验证。

    Jun, 2015