Mining Agent Skills from Production Traces
Massachusetts Institute of Technology（麻省理工学院）；Microsoft Corporation（微软公司）
本研究比较不同挖掘证据和技能形式对智能体技能性能的影响，发现其效果依赖企业领域，建议按任务需求定制元技能而非一刀切。
2026-10-06 cs.AI cs.CL
RECAP-KG: Mining Knowledge Graphs from Raw GP Notes for Remote COVID-19 Assessment in Primary Care
Imperial College London（帝国理工学院）
针对现有临床决策系统无法处理非结构化全科医生问诊记录的问题，本文提出RECAP-KG框架，依托SNOMED本体与RECAP工具相关数据从原始GP记录中构建知识图谱，在CCAS数据集上验证其准确率优于传统NLP方法。
2023-10-09 cs.AI cs.CL
Exploring Business Process Deviance with Sequential and Declarative Patterns
Newcastle University（纽卡斯尔大学）；Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）；Free University of Bozen-Bolzano（博尔扎诺-博岑自由大学）；University of Tartu（塔尔图大学）
业务流程偏差是指业务流程的一部分执行偏离预期或期望结果的现象，无论是消极的还是积极的。业务流程的异常执行包括那些违反法规遵从性规则的执行，或者低于或超过性能目标的执行。异常挖掘是通过分析支持业务流程执行的系统存储的事件日志来揭示异常执行的原因。在本文中，解释业务流程中的偏差的问题，首先调查使用功能的基础上，顺序和声明模式，以及它们的组合。然后，通过基于纯数据属性值和数据感知声明性规则的特征，利用事件日志中的事件和跟踪的数据属性，进一步改进了解释。然后通过直接和间接的规则归纳方法提取表征偏差的解释。使用来自多个领域的现实生活日志，评估一系列特征类型和不同形式的决策规则准确区分流程的非异常执行和异常执行的能力以及最终结果的可理解性返回给用户。
2021-11-24 cs.AI
ASGM-KG: Unveiling Alluvial Gold Mining Through Knowledge Graphs
Wake Forest University（维克森林大学）；Rajshahi University of Engineering and Technology（拉杰沙希工程技术大学）
针对手工与小规模金矿开采（ASGM）相关知识零散的问题，研究构建了含1899个三元组的ASGM-KG知识图谱，提出结合搜索引擎与大语言模型的自动化事实校验框架，在该图谱上准确率超90%，为跨学科环境危机的知识整合提供了新方案。
2024-08-16 cs.AI cs.IR cs.LG
A global constraint for closed itemset mining
University of Oran 1（奥兰第一大学）；University of Montpellier（蒙彼利埃大学）；University of Caen（卡昂大学）
发现闭频繁模式集是数据采掘的基本问题之一。最近的约束编程（CP）方法的声明性项目集挖掘已经证明了他们的有用性和灵活性。但是，目前CP方法中大量使用的具体化约束给处理高维数据集带来了很多困难。本文提出了一种不需要任何具体化约束和额外变量的CLOSED PATTERN全局约束，有效地编码了闭合频繁模式挖掘（CFPM）约束。CLOSED-PATTERN捕获CFPM问题的特定语义，以确保多项式修剪算法确保域的一致性。我们的约束的计算特性进行了分析，其实际有效性进行了实验评估。
2016-04-17 cs.AI cs.DB
Discriminant chronicles mining: Application to care pathways analytics
Rennes University 1（雷恩第一大学）；IRISA-UMR6074（法国国家信息与自动化研究所-混合研究单位6074）；AGROCAMPUS-OUEST（西部农业学院）；CHRU BREST（布雷斯特大学中心医院）；EA-7449 REPERES（REPERES研究团队）
药物流行病学（PE）是研究药物在明确定义的人群中的使用和影响。由于医疗管理数据库覆盖了很大一部分人口，它们已经成为非常有趣的进行体育研究。这样的数据库在真实条件下提供纵向护理路径，包含带时间戳的护理事件，特别是药物递送。时间模式挖掘成为获得有关药物使用的有价值见解的战略选择。提出了一种新的判别式时态模式挖掘算法DCM。它提取的编年史模式，发生在一个研究的人口比在控制人口。我们目前的结果识别癫痫患者的治疗途径中的癫痫发作和抗癫痫药物开关住院之间可能存在的关联。
2017-09-11 cs.AI cs.DS
Improving Hospital Process Management through Process Mining: A Case Study on COVID-19 Clinical Pathways
University of Bari Aldo Moro（巴里大学Aldo Moro分校）；Unisannio University of Benevento（贝内文托大学Unisannio分校）；UnitelmaSapienza Rome（罗马Sapienza大学Unitelma分校）
本研究利用COVID数据共享学习数据集，构建透明可复现的管道将临床数据转化为事件日志，通过过程发现、声明性合规检查和结果分析，揭示COVID-19护理路径中的监测主干、急诊与入院接口的变异性以及年龄和重症监护暴露导致的结果差异，支持分诊标准化、容量规划和降级协调。
2026-04-28 cs.AI cs.CY
Towards Improving Solution Dominance with Incomparability Conditions: A case-study using Generator Itemset Mining
School of Computer Science, University of St Andrews（圣安德鲁斯大学计算机学院）；Vrije Universiteit Brussel（布鲁塞尔自由大学）
发现有趣的模式是数据采掘中一项具有挑战性的任务。基于约束的挖掘是一种众所周知的方法，其中约束编程已被证明是一个非常适合和通用的框架。优势规划已被提出作为一个扩展，可以捕获更广泛的一类基于约束的挖掘问题，通过允许模式之间的关系进行比较。在本文中，除了指定一个优势关系，我们引入了指定一个不可比条件的能力。使用这两个概念，我们设计了一个通用的框架，可以做一个批量明智的搜索，避免检查不可比的解决方案。我们扩展了ESSENCE语言和底层建模管道来支持这一点。我们使用生成器项集挖掘问题作为测试用例，并给出了一个声明性规范。我们还提出了这个特定的问题类与CP求解器后端的初步实验结果表明，在搜索过程中使用的不可比性条件可以提高优势规划的效率，并减少了后处理过滤占主导地位的解决方案的需要。
2019-10-01 cs.AI cs.DB
Measuring Rule-based LTLf Process Specifications: A Probabilistic Data-driven Approach
Vienna University of Economics and Business（维也纳经济与商业大学）；Sapienza University of Rome, Department of Computer Science（罗马萨皮恩扎大学计算机科学系）；York University, School of Information Technology (ITEC)（约克大学信息科技学院（ITEC））
本文提出了一种概率数据驱动方法，用于测量基于规则的LTLf过程规范的满足程度，通过实验证明其在过程挖掘中的有效性。
2023-12-20 cs.AI cs.LO
Using Process Mining to Generate AI Agents from Software Engineering Process Records
Hasso Plattner Institute (HPI), University of Potsdam（波茨坦大学哈索·普拉特纳研究院（HPI））；IBM Software Innovation Lab (SIL)（IBM软件创新实验室（SIL））；University of Haifa（海法大学）；paluno Institute, University of Duisburg Essen（杜伊斯堡-埃森大学paluno研究院）
研究如何在软件工程中结合人工智能代理，面临代理粒度和关注点分离难题。通过过程挖掘，用软件库事件日志发现特定项目代理角色，生成规范与实现，并进行测试和用户研究验证效果。
2026-10-06 cs.AI cs.SE
Deep Health Care Text Classification
Center for Computational Engineering and Networking（计算工程与网络中心）；Amrita School of Engineering Coimbatore（阿姆里塔工程学院哥印拜陀校区）；Amrita Vishwa Vidyapeetham（阿姆里塔大学）；Amrita University（阿姆里塔大学）
与健康相关的社交媒体挖掘是早期识别各种拮抗性医学状况的有价值的工具。现有的方法大多是基于机器学习和基于知识的学习。本工作说明介绍了基于递归神经网络（RNN）和长短期记忆（LSTM）的嵌入，用于社交媒体挖掘中的自动健康文本分类。对于每个任务，构建两个系统，并在推文级别对推文进行分类。RNN和LSTM用于特征提取，最后一层的非线性激活函数有助于区分不同类别的推文。这些实验是在AMIA 2017的第二届社交媒体挖掘健康应用共享任务中进行的。实验结果是相当可观的，但所提出的方法是适当的健康文本分类。这主要是因为它不依赖于任何特征工程机制。
2017-10-23 cs.AI cs.CL
Process Mining Model to Predict Mortality in Paralytic Ileus Patients
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
麻痹性肠梗阻（Paralytic Ileus，PI）患者在进入重症监护室（ICU）时死亡风险很高，死亡率高达40%。关于PI患者死亡率预测的研究很少。需要对诊断为PI的ICU患者进行更准确的预测建模。本文证明了预测ICU患者入院24小时后诊断为PI的死亡率的性能改进。所提出的框架，PMPI（过程挖掘模型预测PI患者的死亡率），是一个修改的ICU糖尿病患者的住院死亡率的预测工作。与现有文献的最佳结果相比，PMPI表现出相似的性能，如果不是更好的话，ROC曲线下面积（AUC）评分为0.82。PMPI使用患者病史、与事件相关的时间和人口统计学信息进行预测。PMPI预测框架有可能帮助医疗团队做出更好的决策，为患有PI的ICU患者提供治疗和护理，以增加他们的预期寿命。
2021-08-03 cs.AI cs.LG
Activity Modeling in Smart Home using High Utility Pattern Mining over Data Streams
Anna University（安纳大学）；Sri Venkateswara College of Engineering（斯里文卡特斯瓦拉工程学院）
灵巧家庭技术是人们在关心安全、舒适和节能的同时更好的选择。需要开发能够识别家中居民日常生活活动（ADL）并检测个人模式中异常行为的技术。利用频繁模式挖掘（FPM）、高效用模式挖掘（HUP）等数据采掘技术从采集的传感器数据中发现这些活动模式。但是将上述技术应用于从时间传感器数据流进行活动识别是高度复杂且具有挑战性的任务。为此，提出了一种基于频繁模式流树（FPS - tree）的传感器数据流活动识别方法。FPS是一种基于滑动窗口的方法，用于从数据流中发现最近的活动模式。所提出的工作的目的是在识别频繁的模式，用户从传感器数据流，后来建模为活动识别。FPM算法使用一种称为链接传感器数据流（Linked Sensor Data Stream，LSDS）的数据结构来存储传感器数据流信息，从空间和时间两个方面提高了频繁模式挖掘算法的效率。实验结果表明，该算法的效率和该FPM进一步扩展到应用功率效率使用HUP检测高使用的电力消耗的居民在灵巧家庭。
2013-06-25 cs.AI cs.DB
SPOT: Spatio-Temporal Pattern Mining and Optimization for Load Consolidation in Freight Transportation Networks
Georgia Institute of Technology（佐治亚理工学院）；AI4OPT
针对货运合并中传统优化方法计算复杂、机器学习方法忽略操作约束的问题，提出端到端方法SPOT，整合时空模式挖掘与优化，能生成可行且成本效益高的合并计划，显著降低运输成本并适应大规模网络。
2025-04-13 cs.AI cs.LG math.OC
Causal Inference in Observational Data
University of Minnesota（明尼苏达大学）；Mayo Clinic（梅奥诊所）
我们的老龄化人口越来越多地同时患有多种慢性疾病，需要对这些疾病进行综合治疗。为一组组合疾病寻找最优药物组是一个组合模式探索问题。关联规则挖掘是一种流行的工具，这样的问题，但医疗保健的需求，寻找因果关系，而不是关联，模式使得关联规则挖掘不适合。为了解决这个问题，我们提出了一个新的框架的基础上Rubin-Neyman因果模型从观测数据中提取因果规则，纠正一些常见的偏见。具体地说，给定一组干预措施和一组定义亚群的项目（例如，疾病），我们希望找到其中存在有效干预组合的所有亚群，并且在每个这样的亚群中，我们希望找到所有干预组合，使得从该组合中丢弃任何干预将降低治疗的功效。我们的框架的一个关键方面是封闭的干预集的概念，它扩展了量化单个干预的效果的概念，一组并发的干预。我们还评估了我们的因果规则挖掘框架的电子健康记录（EHR）数据的一个大队列的患者从梅奥诊所，并表明，我们提取的模式是足够丰富的解释有争议的发现在医学文献中的一类胆固醇药物对II型糖尿病（T2 DM）的影响。
2016-11-15 cs.AI stat.AP
