本文介绍了从对象中心事件数据中提取和编码特征的通用框架,提供了表格、序列和基于图形的编码,用于预测模型的实用性。
Sep, 2022
介绍了面向对象的过程挖掘中的过程执行概念,其是传统过程挖掘中的 case 概念的图形扩展,提供了提取过程执行的技术和可视化技术,并通过图同构确定了 respect 属性的等效过程行为。对实际操作数据进行了评估和案例研究。
Aug, 2022
提出了一种名为 Logs2Graphs 的基于图形的方法,使用图神经网络进行日志异常检测,在处理复杂数据集时大大优于现有的方法,而且能够为每个异常提供关键节点的小子集作为解释。
Jul, 2023
本文提出了一种基于聚类的方法,以简化 Object-Centric Event Logs 中获取到的复杂的流程模型,改善利用 B2B 流程时的用户体验。
Jul, 2022
本论文介绍了如何利用 “Object-Centric Event Log” 和 “Generative Adversarial Networks (GAN) 、长短时记忆 (LSTM)、序列到序列模型 (Seq2seq)” 来实现流程预测,并在模型中使用对象属性,取得了与以往研究相当甚至更好的预测结果并提供 web 界面。
本文提出了一种基于 Markov 直接跟踪多图的方法,用于聚类相似的实例,以实现无需分析员假设的集群发现,并通过一个 P2P 对象中心事件日志文件进行评估。
Jun, 2022
通过对约 65,000 个事件的事件日志进行深入的博鲁桑卡特售后服务流程的案例研究,本研究强调了面向对象的过程挖掘能够捕获复杂业务流程细节的能力,突出了其在实际运营场景中潜在而尚未充分开发利益。
Oct, 2023
提出了一种使用深度学习和 graph neural networks 检测高维时间序列数据中的异常事件的方法,通过学习传感器间复杂关系的结构和注意力权重提供被检测异常事件的解释和根因分析,在真实世界传感器数据集实验中,该方法比基线方法更准确地捕获传感器间关联并检测到异常事件。
Jun, 2021
基于 Transformer 自编码器的业务过程异常修正方法能够高效处理任意长度的事件序列,并且可以直接输出修正后的业务过程实例,从而适应各种场景,通过自监督学习将异常检测转化为分类问题,无需设置特定阈值,在确保高运行效率的同时,在异常检测准确性和异常修正结果方面优于以往方法。
Apr, 2024
本篇综述介绍了基于图神经网络的图形异常检测的最新进展,将这些方法总结为基于图形类型、异常类型和网络结构,并得出这是第一个基于 GNN 的综合检测图形异常方法的综述。