Data is Moody: Discovering Data Modification Rules from Process Event Logs
Airbus Operations GmbH（空中客车运营有限公司）；Stahl-Holding-Saar（萨尔钢铁控股公司）；CISPA Helmholtz Center for Information Security（CISPA赫尔姆霍茨信息安全中心）
针对事件日志中属性数据变化规则挖掘缺失的问题，提出基于MDL原理的Moody算法，以发现简洁可解释的if-then规则，实验证明其高效、鲁棒且需少量数据。
2023-12-22 cs.LG
Data Drift Monitoring for Log Anomaly Detection Pipelines
IBM Research（IBM研究院）
本文提出一种基于贝叶斯因子的漂移检测方法，用于识别日志异常检测（LAD）模型何时需要人工介入、重训练和更新，并通过真实与模拟日志数据验证了其有效性。
2023-10-17 cs.LG cs.SY eess.SY
EHHN: An Event-driven Heterogeneous Hypergraph Network for Object-Centric Next Activity Prediction
College of Computer Science and Technology, Zhejiang University of Technology（浙江工业大学计算机科学与技术学院）；University of Southern Queensland（南昆士兰大学）
提出EHHN，一种事件驱动异质超图网络，通过超边绑定多对象事件并融合微观状态演化与宏观时间动态，实现对象中心的下一个活动预测，在多个基准上取得最优性能。
2026-07-03 cs.LG
A Unified Particle Filter LSTM for Data-Driven Process Simulation
Rotman School of Management, University of Toronto（多伦多大学罗特曼管理学院）
针对数据驱动过程模拟中标准循环模型无法处理潜在过程状态不确定性的问题，提出Unified PF-LSTM模型，在三个急诊科数据集上的表现优于现有基线。
2026-09-03 cs.LG eess.SP
Enhancing Business Process Simulation Models with Extraneous Activity Delays
University of Tartu（塔尔图大学）
针对现有流程挖掘得到的BPS模型无法捕捉额外等待延迟的问题，提出从事件日志估算额外延迟分布并通过计时器事件增强模型的方法，实验证明其能更准确反映流程时间动态。
2024-02-02 cs.LG cs.SE
Detecting Log Anomalies with Multi-Head Attention (LAMA)
Huawei Technologies Co., Ltd（华为技术有限公司）
异常检测是一个重要的和具有挑战性的课题，已经在不同的研究领域进行了研究。在这项工作中，我们探讨的任务日志异常检测（特别是计算机系统日志和用户行为日志）通过分析日志的顺序信息。我们提出了LAMA，一个基于多头注意力的顺序模型来处理日志流作为模板活动（事件）序列。应用下一事件预测任务来训练用于异常检测的模型。大量的实证研究表明，该模型优于现有的日志异常检测方法，包括统计和深度学习方法，验证了该方法在学习日志数据序列模式方面的有效性。
2021-01-07 cs.CR cs.LG
Ranking the Top-K Realizations of Stochastically Known Event Logs
Kiel University（基尔大学）；RWTH Aachen University（亚琛工业大学）；University of Bayreuth（拜罗伊特大学）
本文提出一种O(Kn)高效算法对随机已知事件日志进行Top-K实现排序，并通过实验分析表明其收益取决于日志长度和事件概率分布，为不确定性感知的过程挖掘提供支持。
2024-09-30 cs.DB cs.LG
Discovering More Precise Process Models from Event Logs by Filtering Out Chaotic Activities
Eindhoven University of Technology（埃因霍温理工大学）；Department of Mathematics and Computer Science（数学与计算机科学系）
流程发现关注于从业务流程的执行数据自动生成描述该业务流程的流程模型。现实生活中的事件日志可能包含混乱的活动。这些活动独立于过程的状态，因此可以在相当任意的时间点发生。我们表明，这种混乱的活动在事件日志中的存在严重影响的过程模型，可以发现与过程发现技术的质量。当前从事件日志中过滤活动的做法是简单地过滤掉不频繁的活动。我们表明，基于频率的过滤活动并不能解决的问题，所造成的混乱活动。此外，我们提出了一种新的技术来过滤出混乱的活动从事件日志。我们评估这种技术的收集17个现实生活中的事件日志，起源于业务流程管理域和灵巧家庭环境域。如所示，与使用标准的基于频率的过滤发现的过程模型相比，开发的活动过滤方法能够发现行为上更具特定性的过程模型。
2017-11-03 cs.AI cs.DB cs.IT
Event Abstraction for Enterprise Collaboration Systems to Support Social Process Mining
University of Koblenz（科布伦茨大学）
针对企业协作系统细粒度事件日志应用流程挖掘易产生复杂模型的问题，提出定制化ECSEA事件抽象方法，通过对比高低层轨迹训练模型实现日志转换，为社会流程挖掘提供关键预处理支持。
2023-08-09 cs.AI cs.LG
HOEG: A New Approach for Object-Centric Predictive Process Monitoring
Utrecht University（乌得勒支大学）
本文提出异构对象事件图编码HOEG及异构GNN架构，在不聚合对象特征的情况下利用OCEL预测流程剩余时间，并在三个日志上验证其性能与可扩展性。
2024-04-16 cs.LG
Leveraging Data Augmentation and Siamese Learning for Predictive Process Monitoring
Department of Mathematics and Computer Science, Eindhoven University of Technology, The Netherlands（数学与计算机科学系，埃因霍温理工大学，荷兰）；Department of Mathematics and Computer Science, University of Padua, Italy（数学与计算机科学系，帕多瓦大学，意大利）
SiamSA-PPM通过结合孪生学习和统计增强方法，提升预测过程监控的性能和数据变异性。
2025-09-12 cs.LG
Using Language Model to Bootstrap Human Activity Recognition Ambient Sensors Based in Smart Homes
IMT Atlantique Engineer School（IMT大西洋工程师学院）；Delta Dore Company（德尔塔多尔公司）
基于长短期记忆LSTM的结构通过捕获传感器激活的顺序及其时间依赖性，证明了其在灵巧家庭日常生活识别活动中的效率。然而，他们仍然未能处理的语义和上下文的传感器。除了孤立的id和它们有序的激活值，传感器还具有意义。事实上，它们的性质和激活类型可以转化为各种活动。它们的日志相互关联，从而创建全局上下文。我们建议使用和比较两种自然语言处理嵌入方法，以增强基于LSTM的结构在活动序列分类任务：Word2Vec，静态语义嵌入，和ELMo，上下文嵌入。在真实的灵巧家庭数据集上的结果表明，这种方法提供了有用的信息，例如传感器组织图，并且减少了日常活动类别之间的混淆。它有助于在其他居民或宠物的竞争活动的数据集上更好地执行。我们的测试还表明，嵌入可以在与目标数据集不同的数据集上进行预训练，从而实现迁移学习。因此，我们证明，考虑到上下文的传感器和它们的语义提高了分类性能，并使迁移学习。
2021-11-23 cs.LG
Multi-Source Cybersecurity Logs: An ATT&CK-Labeled Dataset and SLM Evaluation
Windows endpoints（Windows终端）
为解决多阶段网络攻击检测中缺乏带ATT&CK技术标签的多源日志数据集问题，构建了包含870个会话（70个攻击、800个良性）和约230万事件的多源日志数据集，并基于该数据集微调三个小语言模型，在分块分类任务上准确率从约8%提升至90%-97%。
2026-06-17 cs.CR cs.LG
Mining Process Model Descriptions of Daily Life through Event Abstraction
Eindhoven University of Technology（埃因霍温理工大学）；Philips Research（飞利浦研究院）
流程挖掘技术的重点是从事件日志中提取对流程的洞察。过程挖掘有可能在（非）健康习惯方面提供有价值的见解，并在应用于来自灵巧家庭环境的数据时有助于环境辅助生活解决方案。然而，在灵巧家庭环境中记录的事件是在传感器触发器的级别上，在该级别上，过程发现算法产生过度概括的过程模型，该过程模型允许太多的行为并且难以为人类专家解释。我们表明，抽象的事件，以更高层次的解释，可以发现更精确，更容易理解的模型。我们提出了一个框架提取的功能，可用于抽象的监督学习方法，是基于XES IEEE标准的事件日志。在传感器和人类活动事件都已知的训练数据上训练该框架之后，该框架可以自动地将传感器级事件抽象为它们在人类活动级的解释。我们展示了我们的抽象框架上的三个现实生活中的灵巧家庭事件日志，并表明，抽象后可以发现的过程模型确实更精确。
2017-05-25 cs.AI cs.DB cs.LG
David vs. Goliath in Next Activity Prediction: Argmax vs. LSTM, Transformer, and LLM
Technical University of Munich（慕尼黑工业大学）；Fraunhofer Gesellschaft（弗劳恩霍夫协会）
本文通过系统基准测试，比较了简单计数 argmax 基线、LSTM、Transformer 和 LLM 在下一活动预测中的性能，发现 argmax 基线在多数数据集上可媲美或接近十亿参数 LLM。
2026-06-16 cs.LG
Deep Learning for Unsupervised Insider Threat Detection in Structured Cybersecurity Data Streams
Western Washington University（西华盛顿大学）；Pacific Northwest National Laboratory（太平洋西北国家实验室）
对组织的计算机网络活动的分析是早期检测和减轻内部威胁的关键组成部分，这是许多组织日益关注的问题。原始系统日志是流数据的典型示例，可以快速扩展到超出人类分析师的认知能力。作为人类分析师的前瞻性过滤器，我们提出了一种在线无监督深度学习方法，用于实时的从系统日志中检测异常网络活动。我们的模型将异常分数分解为单个用户行为特征的贡献，以提高可解释性，从而帮助分析师审查潜在的内部威胁案例。使用CERT Insider Threat Dataset v6.2和威胁检测召回作为我们的性能指标，我们的新型深度和循环神经网络模型优于主成分分析，支持向量机和基于隔离森林的异常检测基线。对于我们的最佳模型，在我们的数据集中标记为内部威胁活动的事件的平均异常得分为95.53百分位，这表明我们的方法有可能大大减少分析人员的工作量。
2017-12-15 cs.CR cs.LG cs.NE
Leveraging contextual events on structure-aware next activity prediction
Polytechnic University of Marche（马尔凯理工大学）
本文提出基于实例图的方法，通过多种编码策略将上下文过程实例纳入图神经网络，用于下一个活动预测，实验证明可提升预测性能。
2026-09-09 cs.AI cs.LG
Predictive Process Monitoring Using Object-centric Graph Embeddings
Université Paris-Dauphine（巴黎第九大学）；Université PSL（巴黎文理研究大学）；CNRS（法国国家科学研究中心）；LAMSADE；Telecom SudParis（南巴黎电信学院）；Institut Polytechnique de Paris（巴黎综合理工学院）
本文提出一种端到端模型，结合图注意力网络和LSTM，从以对象为中心的事件日志中预测下一活动及下一事件时间，并在真实与合成日志上验证了其竞争力。
2025-07-21 cs.AI cs.LG
Discovery and Simulation of Data-Aware Business Processes
University of Tartu（塔尔图大学）
本文提出一种数据感知的业务流程模拟建模方法及从事件日志中发现该模型的方法，支持多种数据属性与更新规则，实验证明其能准确发现属性规则并更真实地复刻流程控制流。
2024-08-24 cs.LG cs.SE
Detecting Anomalous Events in Object-centric Business Processes via Graph Neural Networks
University of Amsterdam（阿姆斯特丹大学）
针对传统扁平化事件日志难以表达多案例关联的问题，提出结合以对象为中心的流程挖掘与图卷积自编码器的异常检测框架，在活动类型和属性层面取得良好效果。
2024-02-14 cs.DB cs.LG q-fin.ST
Probabilistic Forecasting of Business Process Executions with Neural Temporal Point Processes
Paris Dauphine University-PSL（巴黎多菲纳大学-PSL）；University of Vienna（维也纳大学）
针对业务流程执行预测，提出基于标记时间点过程的生成式模型，结合变换器与混合解码器处理并列时间戳，在保持点准确性的同时提升剩余时间分布校准性并降低推理成本。
2026-09-21 cs.LG
Structural Feature Selection for Event Logs
Aalto University（阿尔托大学）；QPR Software Plc（QPR软件公司）；HIIT Helsinki Institute for Information Technology（赫尔辛基信息技术研究所）
我们考虑的问题，分类业务流程实例的基础上，来自事件日志的结构特征。主要动机是提供基于机器学习的技术，具有快速的响应时间，用于交互式计算机辅助根本原因分析。特别是，我们创建的结构特征，如活动和转换发生计数，以及排序的活动进行评估，作为潜在的功能进行分类的过程挖掘。我们发现，添加这样的结构特征增加了信息量，从而潜在地提高了分类精度。然而，存在固有的权衡，因为使用太多特征导致机器学习分类模型的运行时间太长。改进机器学习算法的运行时间的一种方式是通过特征选择算法仅选择少量特征。然而，还必须考虑特征选择算法所需的运行时间。此外，分类精度不应受到特征选择的太多影响。本文的主要贡献如下：第一，我们提出了六种不同的特征选择算法，并通过一个实验装置比较其分类精度和可实现的响应时间。其次，我们讨论了潜在的使用特征选择的结果，计算机辅助的根本原因分析，以及不同类型的结构特征的特征选择的背景下的属性。
2018-05-17 cs.DB cs.LG cs.SE
ProcessTransformer: Predictive Business Process Monitoring with Transformer Network
Eindhoven University of Technology（埃因霍温理工大学）
预测性业务流程监视侧重于使用事件日志预测正在运行的流程的未来特征。对流程执行的预见为高效运营、更好的资源管理和有效的客户服务提供了巨大的潜力。基于深度学习的方法已被广泛用于流程挖掘，以解决经典算法在解决多个问题，特别是下一个事件和时间预测任务时的局限性。然而，设计一个在各种任务中具有竞争力的深度神经架构是具有挑战性的，因为现有方法无法捕获输入序列中的长距离依赖关系，并且对于冗长的过程跟踪表现不佳。在本文中，我们提出了ProcessTransformer，一种使用基于注意力的网络从事件日志中学习高级表示的方法。我们的模型结合了长程记忆，并依赖于一个自我注意机制，以建立大量的事件序列和相应的输出之间的依赖关系。我们评估我们的技术的适用性，对9个真实的事件日志。我们证明了基于transformer的模型优于现有技术的几个基线，平均获得80%以上的准确度预测下一个活动的任务。与基线相比，我们的方法在预测事件时间和运行案例的剩余时间方面也具有竞争力
2021-04-01 cs.AI cs.LG
Universal Multi-Modal Traceformer: Integrating Heterogeneous Context for Process Event Prediction
Celonis
本文提出通用多模态Traceformer（UMT），一个基于Transformer的统一框架，通过通用特征编码器和逐事件Perceiver模块整合异构上下文，并在多时间尺度上预测事件，在13个真实日志上优于现有方法。
2026-09-22 cs.LG
COFFEE: COdesign Framework for Feature Enriched Embeddings in Ads-Ranking Systems
Meta Platforms, Inc.（Meta平台公司）
COFFEE框架通过整合多样化事件源、延长用户历史和多模态嵌入，提升广告排序系统中用户-广告表示的准确性和规模效应。
2026-01-06 cs.IR cs.LG
Which CS1 Students Will Fail? Identifying Digital Markers from Learning Analytics in Computer Systems and Architecture Using Weighted Academic Momentum and Interaction Logs
University of Zambia（赞比亚大学）；DataLab Research Group, University of Zambia（赞比亚大学数据实验室研究组）
该研究基于284名学生数据，结合加权学业动量等数字标记与传统特征，构建可在学期第5周预警大一CS1课程不及格的高召回模型，贡献了多源数据集、特征消融研究及可部署的可解释模型。
2026-08-19 cs.CY cs.LG
Leveraging Taxonomy Similarity for Next Activity Prediction in Patient Treatment
German Reseach Centre for Artificial Intelligence (DFKI), SDS Branch Trier（德国人工智能研究中心（DFKI），特里尔分部）；University of Trier, Business Information Systems II（特里尔大学，商业信息系统二系）
本文提出TS4NAP方法，利用医学分类和图匹配技术提升患者治疗下一步活动预测的准确性与可解释性。
2026-03-04 cs.AI cs.LG
PHASE: Passive Human Activity Simulation Evaluation
University of Virginia（弗吉尼亚大学）
本文提出PHASE框架，可通过分析Zeek连接日志以90%以上准确率被动区分人类与非人类网络活动，经案例研究优化合成用户角色的行为配置，提升其逼真度。
2026-08-17 cs.AI cs.CR cs.LG
A Blended Deep Learning Approach for Predicting User Intended Actions
New Jersey Institute of Technology（新泽西理工学院）；Adobe Systems Inc.（奥多比系统公司）
用户预期的操作在许多领域都很常见。预测这些行动并采取积极措施优化业务成果是维持业务稳定增长的关键一步。在这项工作中，我们专注于预测磨损，这是一个典型的用户预期的行动。传统的磨损预测建模策略存在一些固有的缺点。为了克服这些限制，我们提出了一种新的端到端学习方案，以跟踪预测建模的磨损模式的演变。它集成了用户活动日志，动态和静态的用户简档基于多路径学习。它通过建立一种衰减多快照技术来利用历史用户记录。最后通过引导用户进入后续的学习过程来利用先前的用户意图。因此，它解决了传统方法的所有缺点。我们在Adobe Creative Cloud提供的两个公共数据存储库和一个私人用户使用数据集上评估了我们的方法。大量的实验表明，它可以提供有吸引力的性能与现有的几种方法相比，由不同的流行的度量。此外，我们引入了一个先进的解释和可视化策略，以有效地表征用户活动日志的周期性。它可以帮助确定对用户流失和保留至关重要的重要因素，从而为业务实践提出可操作的改进目标。我们的工作也将为预测和阐明其他用户预期的操作提供有用的见解。
2018-10-11 cs.HC cs.LG stat.ML
Hybrid Model for Anomaly Detection on Call Detail Records by Time Series Forecasting
移动网络运营商存储大量信息，如描述各种事件和用户活动的日志文件。对这些日志的分析可以用于许多关键应用中，诸如检测网络攻击、发现用户的行为模式、安全事件响应、网络取证等。在蜂窝网络中，呼叫详细记录（CDR）是包含呼叫元数据的此类日志的一种类型，并且通常包括关于联系人的有价值的信息，诸如发起和接收订户的电话号码、呼叫持续时间、活动区域、呼叫类型（SMS或语音呼叫）和时间戳。通过异常检测，可以确定区域中或特定人员的网络流量的异常减少或增加。本文的主要目标是研究用户在蜂窝网络中的行为，主要是预测一个地区的呼叫数量和检测网络流量中的异常。本文提出了一种新的混合方法的基础上，各种异常检测方法，如GARCH，K-均值，神经网络来确定异常数据。此外，我们还讨论了这些异常现象的可能原因。
2021-10-19 cs.LG stat.ML
Homogenization of Existing Inertial-Based Datasets to Support Human Activity Recognition
University of Milano - Bicocca（米兰比可卡大学）
已经提出了几种技术来解决从信号中识别日常生活活动的问题。应用于惯性信号的深度学习技术已被证明是有效的，可实现显著的分类精度。最近，人类活动识别（HAR）模型的研究几乎完全以模型为中心。事实证明，训练样本的数量及其质量对于获得深度学习模型至关重要，这些模型既可以独立于其架构表现良好，又可以对类内变异性和类间相似性更加鲁棒。不幸的是，公开可用的数据集并不总是包含高质量的数据和足够大且不同数量的样本（例如，受试者数量、进行的活动类型和试验持续时间）。此外，数据集之间是异构的，因此不能简单地组合以获得更大的集合。我们工作的最终目的是定义和实现一个平台，该平台集成惯性信号的数据集，以便向科学界提供均匀信号的大型数据集，在可能的情况下，丰富了上下文信息（例如，受试者的特征和器械位置）。我们平台的主要重点是强调数据质量，这对于训练有效的模型至关重要。
2022-01-17 cs.CV cs.LG eess.SP
Encoder-Decoder Model for Suffix Prediction in Predictive Monitoring
Centro Singular de Investigación en Tecnoloxías Intelixentes (CiTIUS)（智能技术单一研究中心（CiTIUS））；Universidade de Santiago de Compostela（圣地亚哥德孔波斯特拉大学）
预测监控是流程挖掘的一个子领域，旨在预测正在运行的案例在未来将如何展开。它的主要挑战之一是预测从给定时间点开始将发生的活动的顺序-后缀预测-。大多数解决后缀预测问题的方法都是通过学习如何预测下一个活动来学习预测后缀，而不是在训练阶段从整个后缀中学习。本文提出了一种新的架构的基础上的编码器-解码器模型的注意力机制，从推理阶段的前缀的表示学习，预测只有后缀的活动。在推理阶段，该架构扩展了一个启发式搜索算法，提高了每个后缀索引的活动的选择。我们的方法已经过测试，使用12个公共事件日志对6个不同的国家的最先进的建议，表明它显着优于这些建议。
2022-11-29 cs.AI cs.LG
Time Matters: Time-Aware LSTMs for Predictive Business Process Monitoring
Friedrich-Alexander-University Erlangen-Nürnberg (FAU)（弗里德里希-亚历山大大学埃尔兰根-纽伦堡（FAU））
预测性业务流程监控（PBPM）旨在基于事件日志数据预测正在执行的流程期间的未来流程行为。特别是，下一个活动和时间戳预测技术可以帮助提高运营业务流程的性能。近年来，研究人员提出了许多基于深度学习的PBPM解决方案。由于事件日志数据的连续性，通常的选择是应用具有长短期记忆（LSTM）单元的递归神经网络。我们认为，事件之间经过的时间是信息。然而，目前的PBPM技术主要使用“香草”LSTM单元和手工制作的时间相关控制流功能。为了更好地建模事件之间的时间依赖关系，我们提出了一种新的PBPM技术基于时间感知LSTM（T-LSTM）细胞。T-LSTM单元固有地包含连续事件之间的经过时间以调整单元记忆。此外，我们引入了成本敏感的学习来解决事件日志中常见的类不平衡问题。我们的实验公开的基准事件日志表明，所介绍的技术的有效性。
2020-11-05 cs.AI cs.LG
Knowledge-Driven Modulation of Neural Networks with Attention Mechanism for Next Activity Prediction
Free University of Bozen-Bolzano（博尔扎诺自由大学）；Humboldt-Universität zu Berlin（柏林洪堡大学）；Datalane SRL（Datalane SRL公司）
针对预测性流程监控中异常执行、概念漂移下预测质量不足及训练数据欠采样问题，提出融合程序化流程背景知识的带注意力机制神经网络Symbolic[Neuro]系统，在真实日志上验证了预测性能提升效果。
2023-12-14 cs.AI cs.LG cs.NE
RLHGNN: Reinforcement Learning-driven Heterogeneous Graph Neural Network for Next Activity Prediction in Business Processes
College of Computer Science and Technology, Zhejiang University of Technology（浙江工业大学计算机科学与技术学院）；Zhejiang Key Laboratory of Visual Information Intelligent Processing（浙江省视觉信息智能处理重点实验室）；University of Southern Queensland（南方昆士兰大学）
本文提出RLHGNN框架，通过将事件日志构建为异构流程图，并利用强化学习自动选择最优图结构，结合异构图卷积实现业务流程中下一活动的高精度实时预测。
2025-07-03 cs.LG cs.SE
DiCE4EL: Interpreting Process Predictions using a Milestone-Aware Counterfactual Approach
Queensland University of Technology（昆士兰科技大学）
预测流程分析通常应用机器学习来预测正在运行的业务流程的未来状态。然而，许多现有的预测算法的内部机制是不透明的，并且人类决策者不能理解预测的特定活动的\emph{why}。最近，反事实已经在文献中提出，从预测模型中获得人类可理解的解释。目前的反事实方法包括找到可以使某个预测翻转其结果的最小特征变化。虽然已经提出了许多算法，他们的应用程序的多维序列数据，如事件日志还没有在文献中探讨。在本文中，我们探讨了使用最近流行的模型无关的反事实算法，DiCE，在预测过程分析的背景下。分析表明，DiCE无法对流程预测进行解释，原因是（1）没有考虑流程领域知识，（2）流程执行的长跟踪往往不太容易理解，以及（3）难以使用分类变量优化反事实搜索。我们设计了一个扩展的DiCE，即DiCE4EL（DiCE的事件预测），可以生成反事实的解释过程预测，并提出了一种方法，支持推导里程碑意识的反事实的解释过程中执行的关键中间阶段，以促进可解释性。我们将我们的方法应用到一个公开的现实生活中的事件日志和分析结果表明，所提出的方法的有效性。
2021-09-30 cs.AI cs.LG
