Towards Multi-perspective conformance checking with fuzzy sets
Zhejiang University（浙江大学）；Eindhoven University of Technology（埃因霍温理工大学）
一致性检查技术被广泛采用，以查明过程模型和实际过程执行之间可能存在的差异。然而，最先进的方法采用对偏差的明确评估，结果是小的违规行为被认为是与重大违规行为处于同一水平。这影响了所提供的诊断的质量，特别是当对于相当小的违规存在一定容忍度时，并且妨碍了过程的灵活性。在这项工作中，我们提出了一种新的方法，它允许代表演员的容忍度方面的侵犯，并考虑到严重程度的偏差时，评估执行遵守。我们认为，除了提高所提供的诊断的质量，允许一定的公差偏差评估也提高了一致性检查技术的灵活性，间接地，铺平了道路，提高整个流程管理系统的弹性。
2020-01-29 cs.AI
Online Soft Conformance Checking: Any Perspective Can Indicate Deviations
Technical University of Denmark（丹麦技术大学）
在流程挖掘中，一个相关的活动是一致性检查。这样的活动包括建立过程的实际执行与参考模型的预期行为相一致的程度。目前的技术集中在控制流的规范模型作为参考。但是，在某些场景中，可能没有规定性的模型，此外，控制流透视图可能不适合此目的。本文通过提出一种使用描述性模型（即，在一定时间内观察到的行为模式），这不一定指的是控制流（例如，它可以基于工作移交的社交网络）。此外，整个方法可以离线和在线工作，从而提供实时的反馈。该方法，这是在ProM中实现的，已经过测试，并从3个实验与现实世界以及合成数据的结果报告。
2022-01-23 cs.AI
LLM-Orchestrated Conformance Checking in Stroke Care Without Computer-Interpretable Guidelines
Computer Science Institute, DiSIT, University of Piemonte Orientale（皮埃蒙特东方大学计算机科学研究所）；Integrated Laboratory of AI and Medical Informatics, DAIRI, SS. Antonio e Biagio e Cesare Arrigo Hospital（圣安东尼奥、比亚焦与切萨雷·阿里戈医院DAIRI人工智能与医学信息学综合实验室）
提出基于大语言模型编排的模块化框架，从非结构化临床文本和指南中自动提取患者轨迹、识别规范规则并计算合规性指标，在卒中护理领域验证了86%以上的轨迹合规。
2026-06-08 cs.AI
Conformance Checking for a Medical Training Process Using Petri net Simulation and Sequence Alignment
Department of Computer Science, Friedrich-Alexander-University Erlangen-Nürnberg (FAU)（埃尔朗根-纽伦堡大学（FAU）计算机科学系）
流程挖掘最近在医疗保健领域受到欢迎，因为它有可能提供透明，客观和基于数据的流程视图。一致性检查是流程挖掘的一个子学科，它有可能回答实际流程执行如何偏离现有准则。在这项工作中，我们分析了外科手术的医疗培训过程。10名学生接受了使用超声安装中心静脉导管（CVC）的培训。在第一次试运行期间，在监督员发出指令后，以及在随后的单独培训阶段后，直接收集事件日志数据。为了提供客观的性能指标，我们制定了一个最佳的，全球的序列比对问题的启发，在生物信息学的方法。因此，我们使用的Petri网模型表示的医疗过程指南模拟一组有代表性的准则符合序列。接下来，我们计算记录和模拟事件日志的最佳全局序列比对。最后，输出的措施和可视化的比对序列提供客观的反馈。
2020-10-21 cs.AI
Conformance Checking Approximation using Subset Selection and Edit Distance
RWTH Aachen University（亚琛工业大学）；Fraunhofer FIT（弗劳恩霍夫应用信息技术研究所）
一致性检查技术让我们发现流程模型和实际执行数据的一致程度。近年来，对齐在计算一致性统计中被证明是非常有用的。大多数计算比对的技术都提供了精确的解决方案。然而，在许多应用中，具有一致性值的近似值就足够了。具体而言，对于大型事件数据，使用当前技术进行对齐的计算时间相当长，这使得它们在现实中不适用。此外，对于复杂的过程使用标准硬件不再可行。因此，我们需要的技术，使我们能够获得快速，并在同一时间，一致性值的准确近似。本文提出了新的近似技术计算近似一致性检查值接近精确的解决方案的值在更快的时间。这些方法还提供近似对准值的上限和下限。我们对真实事件数据的实验表明，它是可能的，以提高一致性检查的性能，通过使用所提出的方法相比，使用国家的最先进的对齐近似技术。结果表明，在大多数情况下，我们提供了严格的界限，准确的近似对齐值，和类似的偏差统计。
2019-12-02 cs.AI cs.SE
Conformance Checking for Less: Efficient Conformance Checking for Long Event Sequences
针对长事件序列一致性检查的计算复杂度问题，提出滑动窗口方法ConLES，通过划分子迹和利用全局信息迭代对齐，在保持准确性和可解释性的同时显著减少搜索空间，高效支持预定义与发现的过程模型。
2025-03-09 cs.AI cs.DB cs.PL
A Node Embedding Framework for Model-Centric Conformance Checking in Process Mining
Faculty of Engineering and Computer Science, University of Victoria（维多利亚大学工程与计算机科学学院）
该研究提出一种以模型为中心的流程挖掘一致性检查框架，结合节点嵌入与Procrustes对齐，通过PetriNetGraph方法转换Petri网模型，实验证实其对日志偏差的鲁棒性优于传统指标及相关变体。
2026-10-14 cs.AI
A Conformance Checking-based Approach for Drift Detection in Business Processes
Centro Singular de Investigación en Tecnoloxías Intelixentes (CiTIUS)（智能技术研究中心）；Universidade de Santiago de Compostela（圣地亚哥-德孔波斯特拉大学）
现实生活中的业务流程会随着时间的推移而发生变化，无论是以计划内的方式还是以意想不到的方式。检测这些变化对于组织确保预期行为和实际行为尽可能相似至关重要。这些随着时间的变化被称为概念漂移，它的检测是流程挖掘中的一个巨大挑战，因为数据的固有复杂性使得很难区分变化和异常执行。在本文中，我们提出了C2D2（基于并发检查的漂移检测），一种新的方法来检测突然的控制流变化的过程中的事件跟踪模型。C2D2将发现技术与一致性检查方法相结合，以执行离线检测。我们的方法已被验证与合成基准数据集形成的68个日志，显示了提高的准确性，同时保持最小的延迟在漂移检测。
2019-07-09 cs.AI cs.LG
DeclareAligner: A Leap Towards Efficient Optimal Alignments for Declarative Process Model Conformance Checking
Centro Singular de Investigación en Tecnoloxías Intelixentes (CiTIUS)（智能技术研究中心 (CiTIUS)）；Universidade de Santiago de Compostela（圣地亚哥-德孔波斯特拉大学）
DeclareAligner提出一种基于A*搜索的新算法，通过针对性修复、定制启发式与早期剪枝，在8,054个问题上显著提升声明式流程模型最优对齐的计算效率。
2025-03-13 cs.AI
Conformance Checking of Fuzzy Logs against Declarative Temporal Specifications
Free University of Bozen-Bolzano（波尔扎诺自由大学）；University of Bologna（博洛尼亚大学）；University of Edinburgh（爱丁堡大学）
针对事件数据带不确定性的场景，研究模糊日志与声明式时态规则的一致性检查问题，定义模糊版LTLf、将检查转化为该逻辑的验证问题，并给出基于PyTorch的高效概念验证实现。
2024-06-17 cs.AI cs.LO
Mining Uncertain Event Data in Process Mining
RWTH Aachen University（亚琛工业大学）
如今，越来越多的过程数据由信息系统自动记录，并以事件日志的形式提供。流程挖掘技术支持以流程为中心的数据分析，包括自动发现流程模型和检查事件数据是否符合特定模型。在本文中，我们分析了以前未探索的设置不确定事件日志：日志中的量化不确定性与相应的数据一起记录。我们定义了一个分类的不确定事件日志和模型，我们研究的挑战，不确定性对流程发现和一致性检查。最后，我们展示了如何上界和下界的一致性，可以得到一个不确定的跟踪到一个正常的过程模型对齐。
2022-04-08 cs.AI
A Scalable and Near-Optimal Conformance Checking Approach for Long Traces
Technion–Israel Institute of Technology（以色列理工学院）；Bar-Ilan University（巴伊兰大学）
本文提出一种滑动窗口一致性检查方法，通过将长轨迹分解为子轨迹并结合全局结构信息舍弃局部最优但全局不佳的对齐，在保证可解释性的同时显著提升大规模过程挖掘中的对齐效率与准确性。
2024-06-08 cs.AI cs.DB
Developing a Totally Unimodular Linear Program for Optimal Conformance Checking: When and Why It Complements A*
Bar Ilan University（巴伊兰大学）
提出将基于对齐的合规性检查重新表述为在全幺模线性规划上的问题，利用网络流结构保证整数最优解，实验表明在长轨迹和有偏差情况下显著加速A*。
2026-05-26 cs.AI math.OC
The Role of Time and Data: Online Conformance Checking in the Manufacturing Domain
University of Vienna（维也纳大学）；Technical University of Munich（慕尼黑工业大学）
近年来，流程挖掘作为面向流程数据的分析工具已经成熟。制造业是一个具有挑战性的领域，需要以流程为导向的技术来应对数字化挑战。我们发现，流程挖掘创造了很高的期望，但其实施和制造专家，如流程主管和车间工人的使用仍然在一定程度上不清楚。原因（1）是即使制造允许良好结构的过程，实际的工作流很少在过程模型中捕获。即使模型可用，用于编排和记录执行的软件也常常缺失。原因（2）是指制造业的工作现实：一个过程实例是由一个车间工人启动的，然后他转向其他事情。因此，不会发生对过程实例的连续监视，即，过程监控仅仅是次要任务，车间工人只能对已经发生的问题/错误做出反应。(1)以及（2）激发本研究的目标，这是由技术行动研究（TAR）驱动的。基于实验性工件TIDATE --一个轻量级的流程执行和挖掘框架--研究了如何保证流程实例的正确执行，以及如何在实际环境中的运行时间生成适合于流程挖掘的数据集。其次，它是调查过程挖掘是否以及如何支持领域专家在过程监控作为一个次要任务。研究结果强调了在线一致性检查在制造业中的重要性，并显示了如何识别和生成适当的数据集。
2021-05-04 cs.AI
An Entropic Relevance Measure for Stochastic Conformance Checking in Process Mining
The University of Melbourne（墨尔本大学）；Tecnológico de Monterrey（蒙特雷科技大学）
给定事件日志作为记录的真实世界流程跟踪的集合，流程挖掘的目标是自动构建一个流程模型，该模型既简单又提供对跟踪的有用解释。然后采用一致性检查技术来表征和量化日志的迹线和候选模型之间的共性和差异。最近的一致性检查方法承认被比较的元素本质上是随机的-例如，一些跟踪经常出现，而另一些不经常出现-并试图将这些知识纳入其分析。在这里，我们提出了一种用于随机一致性检查的熵相关性度量，根据模型提供的结构和有关相对可能性的信息，计算为压缩每条日志轨迹所需的平均位数。该措施惩罚来自事件日志的未被模型捕获的跟踪以及由模型描述但在事件日志中不存在的跟踪，从而同时解决精度和召回质量标准。我们进一步表明，熵的相关性是可计算的时间线性的日志的大小，并提供评估结果，证明在工业环境中使用新的方法的可行性。
2020-08-26 cs.AI cs.IT math.IT
Process Modeling and Conformance Checking in Healthcare: A COVID-19 Case Study
RWTH Aachen University（亚琛工业大学）；University of Pisa（比萨大学）；RWTH University Hospital（亚琛工业大学医院）
流程挖掘的学科在医疗保健领域的成功应用方面有着坚实的记录。在这样的研究空间内，我们进行了一项与德国Uniklinik Aachen医院重症监护室（ICU）病房相关的案例研究。这项工作的目的有两个：开发一个代表COVID-19患者治疗临床指南的规范模型，并分析观察到的行为（记录在医院的信息系统中）对此类指南的遵守情况。我们表明，通过一致性检查技术，可以分析COVID-19患者的护理过程，突出显示与临床指南的主要偏差。研究结果为医生提供了有用的指示，以改善过程，确保服务质量和患者满意度。我们将生成的模型作为一个开源BPMN文件共享。
2022-11-23 cs.AI cs.DB
Entropia: A Family of Entropy-Based Conformance Checking Measures for Process Mining
The University of Melbourne（墨尔本大学）；Sapienza Università di Roma（罗马第一大学）；Tecnológico de Monterrey（蒙特雷理工学院）；Queensland University of Technology（昆士兰科技大学）；Wirtschaftsuniversität Wien（维也纳经济大学）；Humboldt-Universität zu Berlin（柏林洪堡大学）
本文提出了一个命令行工具，称为熵，实现了一个家庭的一致性检查措施的过程挖掘建立在熵的概念，从信息论。这些措施允许量化经典的非确定性和随机精度和召回质量标准的过程模型自动发现的IT系统执行的跟踪和记录在其事件日志。如果过程模型不编码不是日志的一部分的许多跟踪，则该过程模型相对于其被发现的日志具有“良好”的精度，并且如果过程模型编码来自日志的大多数跟踪，则该过程模型具有“良好”的召回率。根据定义，测度具有有用的性质，并且通常可以快速计算。
2020-09-30 cs.AI cs.CL cs.FL
Efficient Conformance Checking using Approximate Alignment Computation with Tandem Repeats
University of Melbourne（墨尔本大学）
一致性检查包括一系列流程挖掘技术，旨在发现和描述捕获预期流程行为的流程模型与记录观察到的行为的相应事件日志之间的差异。对齐是一种已建立的技术，用于计算事件日志中的跟踪与相应流程模型的最近执行跟踪之间的距离。给定一个代价函数，当一个对齐包含最少数量的日志跟踪和模型跟踪之间的不匹配时，它是最优的。然而，确定最佳比对在计算上是昂贵的，特别是鉴于来自实践的事件日志的不断增长的大小和复杂性，其可以容易地超过一百万个事件，具有几百个活动的踪迹。现有对齐技术的一个常见限制是无法利用日志中的重复。通过利用一种特定形式的连续模式的痕迹，即串联重复序列，我们提出了一种新的近似技术，使用预处理和后处理步骤来压缩的痕迹的长度和重新计算的对齐成本，同时保证成本结果从来没有下近似的最佳成本。在一个广泛的经验评估与50个现实生活中的模型日志对和对六个国家的最先进的对齐技术，我们表明，所提出的压缩方法系统优于基线的数量级存在的痕迹与重复，成本过近似，当它发生时，是可以忽略不计的。
2022-03-26 cs.AI cs.SE
Object-Centric Conformance Alignments with Synchronization (Extended Version)
INESC-ID/Instituto Superior Técnico, Universidade de Lisboa（里斯本大学高等技术学院/INESC-ID研究所）；Free University of Bozen-Bolzano（波尔扎诺自由大学）
本文提出带标识符的对象中心Petri网形式化方法，结合一对多关系建模与基于身份的对象同步能力，并基于SMT编码实现一致性检查，以克服现有方法在跟踪对象身份和依赖关系方面的不足。
2024-04-04 cs.AI cs.LO
Uncertain Process Data with Probabilistic Knowledge: Problem Characterization and Challenges
Bar-Ilan University（巴伊兰大学）；The Technion - Israel Institute of Technology（以色列理工学院）
由于来自多个来源（包括物理设备和传感器）的大量不确定事件数据，本文提出了将随机过程观测与可以从数据集呈现的过程模型相关联的任务。与以前的研究，建议将一个随机已知的事件日志转换成一个信息量较少的不确定日志与活动频率的上限和下限相比，我们考虑的挑战，容纳的概率知识一致性检查技术。基于一个分类法，捕捉频谱的一致性检查的情况下，随机过程的观察，我们提出了三种类型的挑战性的情况下。第一个包括随机已知日志相对于给定流程模型的一致性检查。第二种情况扩展了第一种情况，将随机已知的日志分类为几个过程模型之一。第三种情况将前两种情况扩展到过程模型仅随机已知的设置中。所提出的问题捕捉越来越多的应用程序中，传感器提供概率过程信息。
2021-06-07 cs.AI
Gradual Drift Detection in Process Models Using Conformance Metrics
本文提出一种基于一致性指标的过程模型渐进漂移自动检测与分类方法，在合成数据集上优于现有算法。
2023-05-08 cs.AI
Evaluating Conformance Measures in Process Mining using Conformance Propositions (Extended version)
RWTH Aachen University（亚琛工业大学）；Eindhoven University of Technology（埃因霍温理工大学）；Fraunhofer Institute for Applied Information Technology FIT（弗劳恩霍夫应用信息技术研究所FIT）
流程挖掘揭示了流程模型与现实流程之间的关系。流程发现可用于从事件日志中了解流程模型。一致性检查关注于量化业务流程模型的质量，该质量与业务流程执行期间记录的事件数据有关。存在不同类别的一致性度量。召回，也称为适应性，关注于量化在事件日志中观察到的行为符合流程模型的程度。精确度与量化流程模型允许多少在事件日志中从未观察到的行为有关。泛化关注于量化流程模型泛化到业务流程中可能发生但在事件日志中从未观察到的行为的程度。这些年来，已经开发了许多召回率，精确度和泛化措施，但它们通常以临时的方式定义，而没有预先正式定义所需的属性。为了解决这些问题，我们制定了21个一致性命题，我们用这些命题来评估当前和现有的一致性措施。目标是通过明确提出挑战和要求（而不是提出新的措施）来引发讨论。此外，本文还概述了流程挖掘领域中可用的一致性检查措施。
2019-08-30 cs.AI cs.LG cs.SY
Efficient Conformance Checking of Rich Data-Aware Declare Specifications (Extended)
Universidade de Santiago de Compostela（圣地亚哥-德孔波斯特拉大学）；Free University of Bozen-Bolzano（博尔扎诺自由大学）；INESC-ID/Instituto Superior Técnico, Universidade de Lisboa（INESC-ID/里斯本技术学院，里斯本大学）
本文针对具有通用数据类型和数据条件的 data-aware Declare 规范，提出结合 A* 搜索与 SMT 求解的新算法，高效计算数据感知最优对齐，实验证明其性能达到或超越现有方法并支持更强的数据依赖表达力。
2025-06-30 cs.AI cs.DB cs.PL
Anti-Alignments -- Measuring The Precision of Process Models and Event Logs
ENS Paris-Saclay（巴黎萨克雷高等师范学院）；Université Paris-Saclay（巴黎萨克雷大学）；Universitat Politècnica de Catalunya（加泰罗尼亚理工大学）
过程是组织中的一个关键人工制品，因为它们协调活动的执行，以便提供产品和服务。使用模型分析基本进程是一种众所周知的做法。然而，由于其过程的复杂性和不断发展，组织需要一种有效的方法来分析过程和模型之间的关系。一致性检查技术通过实际执行的集合来评估流程模型在表示底层流程时的适用性。一致性检查中的一个重要度量是评估模型相对于观察到的执行的精度，即，描述模型产生与观察到的行为无关的行为的能力。在本文中，我们提出了反对齐的概念，作为一个概念，以帮助揭示运行在模型中，可能会显着偏离所观察到的行为。利用反对齐，提出了一种新的精度度量。与现有的度量相比，基于反对齐的精度度量满足最近出版物中强调的大多数所需公理。此外，还对反对准问题的复杂性进行了分析，从而揭示了利用反对准进行精度估计的可行性。提供的实验证明了本文介绍的概念的有效性。
2019-11-28 cs.AI cs.FL
ASP-Based Declarative Process Mining (Extended Abstract)
Sapienza University of Rome（罗马第一大学）；Free University of Bozen-Bolzano（博尔扎诺自由大学）
我们提出了答案集编程（ASP）作为一种方法来建模和解决问题，从该地区的声明性过程挖掘（PROD）。我们认为在这里三个经典的问题，即，日志生成，一致性检查，查询检查。这些问题是从控制流和数据感知的角度来解决的。该方法是基于（有限状态）自动机的过程规范的表示。由于这些严格来说比事实上的UML标准规约语言DEGEE更有表现力，因此可以处理比UML典型的那些更一般的规约，例如有限迹上的线性时间时态逻辑中的公式。(Full第36届AAAI人工智能会议论文集中提供的版本）。
2022-09-26 cs.AI
Extending Dynamic Bayesian Networks for Anomaly Detection in Complex Logs
University of Antwerp（安特卫普大学）
检查来自不同进程的各种日志文件可能是一项繁琐的任务，因为这些日志包含大量事件，每个事件都有（可能很大）数量的属性。我们开发了一种方法来自动建模日志文件和检测数据中的离群跟踪。为此，我们扩展了动态贝叶斯网络来模拟日志文件中的正常行为。我们引入了一种新的算法，能够从数据本身开始学习日志文件的模型。即使日志文件中出现新值或新的值组合，该模型也能够对跟踪进行评分。
2018-08-17 cs.AI cs.LG
From Event Logs to Governed Action: A BlueSky Agenda for Agentic Process Mining
University of Oxford（牛津大学）；Peng Cheng Laboratory（鹏城实验室）；University of Glasgow（格拉斯哥大学）；Fudan University（复旦大学）；Squirrel Ai Learning（松鼠AI智适应）
该论文提出事件到行动流程挖掘议程，将事件日志转化为受治理行动，通过四种可挖掘工件支持智能体决策中的执行、推迟、询问和拒绝。
2026-09-15 cs.AI cs.CE
Discriminative Rule Learning for Outcome-Guided Process Model Discovery
RWTH University（RWTH大学）
针对忽略执行结果导致单一过程模型无法捕捉关键行为差异的问题，提出通过学习控制流特征的可解释判别式规则对轨迹分组并分别发现过程模型的方法，有效揭示期望与不期望执行的驱动因素。
2025-10-31 cs.AI
PROVED: A Tool for Graph Representation and Analysis of Uncertain Event Data
RWTH Aachen University（亚琛工业大学）
流程挖掘的学科旨在通过分析历史流程执行来以数据驱动的方式研究流程，通常采用Petri网。从信息系统（例如SAP）提取的事件数据用作流程挖掘的起点。最近，新类型的事件数据，包括不确定的事件数据的过程挖掘社区之间聚集的兴趣。不确定事件、过程跟踪和日志包含以量化的不精确性为特征的属性，例如，一组可能的属性值。PROVED工具通过使用具有Petri网语义的行为图和网络抽象不确定信息，帮助探索，导航和分析此类不确定事件数据。基于这些结构，该工具支持发现和一致性检查。
2022-04-08 cs.AI
OrgMining 2.0: A Novel Framework for Organizational Model Mining from Event Logs
Queensland University of Technology（昆士兰科技大学）；RWTH Aachen University（亚琛工业大学）；Sun Yat-sen University（中山大学）
围绕人力资源提供适当的结构可以精简业务，从而提高组织的竞争力。为了实现这一目标，现代组织需要在面对不断变化的环境时，准确而及时地了解人力资源分组。过程挖掘的使用提供了一种很有前途的方法，通过利用存储在信息系统中的事件日志数据来帮助解决这一需求。通过从事件日志中提取有关参与业务流程的资源的实际行为的知识，可以构建组织模型，这有助于分析与流程执行相关的人力资源的事实分组。然而，开放的研究差距仍然有待解决时，应用最先进的过程挖掘分析资源分组。首先，组织模型的发现与流程执行的上下文只有有限的联系。另一方面，一个严格的解决方案，评估组织模型对事件日志数据尚未提出。在本文中，我们的目标是通过开发一个新的框架，建立在一个更丰富的组织模型耦合资源分组与流程执行知识的定义来解决这些研究挑战。通过引入组织模型一致性检查的概念，该框架可以有效地评估组织模型，因此提供了一个基础，分析和改进基于事件日志的资源分组。我们证明了这个框架的可行性，提出了一种方法的基础上的组织模型发现的框架，并在现实生活中的事件日志进行实验，发现和评估组织模型。
2020-11-26 cs.AI cs.DB
Integrating Domain Knowledge into Process Discovery Using Large Language Models
RWTH Aachen University（亚琛RWTH大学）；UWV Employee Insurance Agency（UWV员工保险局）
本文提出一个利用大语言模型将自然语言领域知识集成到过程发现中的交互式框架，通过提取声明性规则指导IMr算法，以避免与领域知识矛盾的结构，并经真实案例验证其有效性。
2025-10-08 cs.AI
Enhancing workflow-nets with data for trace completion
FBK-IRST（布鲁诺·凯斯勒基金会-信息技术与微系统研究所）；Free University of Bozen-Bolzano（博尔扎诺-博岑自由大学）
越来越多地采用IT系统来建模和执行（业务）流程或服务，这将科学研究推向了支持更复杂形式的流程分析的技术和工具。它们中的许多，如一致性检查，流程对齐，挖掘和增强，依赖于对过去（跟踪和记录）执行的完整观察。然而，在许多实际情况下，缺乏对流程执行的所有步骤的人力或IT支持，以及模型和数据的信息隐藏和抽象，导致数据和活动的日志信息不完整。本文处理的问题，特别是考虑不仅活动，但也被他们操纵的数据，自动修复的痕迹与丢失的信息。我们的技术重铸这样一个问题的可达性问题，并提供了一个编码的动作语言，允许几乎使用任何国家的最先进的规划返回的解决方案。
2017-06-01 cs.AI
Automatic Discovery of Multi-perspective Process Model using Reinforcement Learning
Dongeui University（东义大学）；Pusan National University（釜山国立大学）
流程挖掘是一种基于事件日志的流程模型推导和分析方法。当使用流程挖掘来分析业务流程时，流程发现步骤、一致性检查步骤和增强步骤被重复。如果用户希望从多个角度（例如活动角度、发起者角度和时间角度）分析过程，则必须一遍又一遍地重复上述过程，这是不方便的。虽然过去的研究涉及过程挖掘应用了详细的逐步方法，没有尝试已被纳入和优化多角度的过程挖掘程序。本文有助于开发一个解决这个问题的方法。首先，我们提出了一个基于深度Q-Learning的多视角流程模型自动发现框架。我们的双体验重放与体验分布（DERED）方法可以自动执行流程模型发现步骤、一致性检查步骤和增强步骤。其次，我们提出了一种新的方法，进一步优化经验重放（ER）方法，深度Q学习的关键算法之一，以提高强化学习代理的学习性能。最后，我们使用在港口物流、钢铁制造、金融、IT和政府管理中收集的六个真实事件数据集来验证我们的方法。我们表明，我们的DERED方法可以为用户提供多角度，高质量的过程模型，可以更方便地采用多角度的过程挖掘。
2022-11-30 cs.AI cs.LG
FoldA: Computing Partial-Order Alignments Using Directed Net Unfoldings
Utrecht University（乌得勒支大学）
本文提出 FoldA，利用有向 Petri 网展开即时计算偏序对齐，以缓解状态空间爆炸并准确表达并发；实验显示其可减少排队状态数，但耗时更高。
2025-06-10 cs.AI
DeepAlign: Alignment-based Process Anomaly Correction using Recurrent Neural Networks
Technische Universität Darmstadt（达姆施塔特工业大学）；Telecooperation Lab（远程合作实验室）；Darmstadt, Germany（德国达姆施塔特（此处仅保留机构名，国家城市按要求不额外加入，实际机构为前两项））
在本文中，我们提出了DeepAlign，一种新的方法，多角度的过程异常校正，基于循环神经网络和双向束搜索。DeepAlign算法的核心是两个经过训练的循环神经网络，用于预测下一个事件。一个是从左到右读取流程执行序列，而另一个是从右到左读取序列。通过结合这两个神经网络的预测能力，我们表明，它是可以计算序列比对，这是用来检测和纠正异常。DeepAlign利用案例级和事件级属性对流程中的决策进行紧密建模。我们评估我们的方法的性能上精心制作的数据语料库的252个现实的合成事件日志，并比较它的三个国家的最先进的一致性检查方法。DeepAlign产生的校正优于其他字段，在所有数据集上达到$0.9572$的总体$F_1$评分，而最佳可比的最先进方法达到$0.6411$。
2020-03-23 cs.AI cs.LG
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
From GenAI Virtual Patient Dialogue Logs to Teacher-Interpretable Process Evidence: A Learning Analytics Study in Higher Education
Monash University（莫纳什大学）；Peking University（北京大学）；Shantou University Medical College（汕头大学医学院）；The University of Hong Kong（香港大学）
该研究通过分析210名医学生的1030条GenAI VP胸痛病例对话，采用三层分析揭示高分临床推理的过程模式，为医学教育提供教师可解释的过程证据。
2026-09-01 cs.AI cs.CL cs.HC
