- xSemAD:使用序列到序列模型进行可解释的事件日志语义异常检测
本文提出了一种名为 xSemAD 的方法,通过使用序列到序列模型学习给定过程模型存储库中的约束,并在考虑的事件日志中检查这些约束是否成立,从而超越了传统的纯识别方法,提供了扩展的解释。实验证明,该方法优于现有的最先进的语义异常检测方法。
- PGTNet: 业务流程实例剩余时间预测的过程图转换网络
PGTNet 通过将事件日志转换为图数据集,并利用面向图的数据训练流程图转换网络来预测业务流程实例的剩余时间,相比其他深度学习方法,PGTNet 在 20 个真实世界的事件日志上表现更好,尤其适用于高度复杂的流程,能够学习处理活动之间的控制 - 数据随时变化:从过程事件日志中发现数据修改规则
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 - 基于图神经网络的日志异常检测与解释
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。
- CoSMo: 实现有条件的进程模拟模型的框架
提出使用基于深度学习的 CoSMo 框架完全实现流程模拟模型来使模拟事件日志满足约束条件,从控制流和数据流的角度验证模拟能力。
- 朝向以知识为中心的过程挖掘
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。
- Nirdizati: 一个高级预测性过程监控工具箱
本文介绍了一个名为 Nirdizati 的预测性流程监测工具,它帮助用户建立、比较、分析和解释预测模型,并提供了一组不同的先进方法,以帮助 BPM 研究者和实践者研究和比较预测流程监测技术。Nirdizati 工具的功能丰富,可以支持研究者 - 事件数据中的意外情况检测
本研究提出了一种基于上下文的异常检测方法,用于识别未被传统流程改善方法所捕捉的流程增强机会,通过分析事件日志中的流程实例或前缀,发现性能意外显着不同于类似情况下的流程性能。
- KDD基于事件日志分析的故障检测与预测特征选取
该研究提出了一种基于日志的异常检测和预测的特征选择方法,以提高对复杂系统下子系统级别上的异常检测效率和准确性。
- 基于事件日志模式的自动化流程发现中的泛化框架
本研究提出了一种从事件日志中发现模式并将其与流程模型中的控制流结构进行比较的通用性度量框架,并使用串联重复和并发神谕等方法实例化框架以更好地解决流程挖掘中存在的一些问题。
- 基于随机已知日志的符合性检查
本文提出了一种基于随机过程观察的过程挖掘和确认方法,使用概率数据分类模型和算法来比较一个过程模型和事件日志,以发现最优匹配。
- MM基于规范的预测性业务流程监控
该论文引入了一种用于指定预测任务并自动创建相应预测模型的规范语言,以应对不同业务领域的预测需求,并提供了实现该方法的实验结果。
- 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。
- 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。