PGTNet: A Process Graph Transformer Network for Remaining Time Prediction of Business Process Instances
University of Mannheim（曼海姆大学）；University of Vienna（维也纳大学）
提出 PGTNet，将事件日志转为图数据并训练流程图 Transformer 网络，以在复杂业务流程中融合多视角信息并提升实例剩余时间预测性能。
2024-04-09 cs.AI cs.LG
Evaluating the Robustness of Deep-Learning Algorithm-Selection Models by Evolving Adversarial Instances
Edinburgh Napier University（爱丁堡龙比亚大学）
针对深度循环网络作为装箱领域算法选择器的鲁棒性未知问题，本研究用演化算法生成对抗扰动样本，发现最高56%的原始实例可被攻击，同时揭示了训练实例脆弱性及影响因素，还为鲁棒模型训练提供了新数据。
2024-06-24 cs.AI cs.LG cs.NE
Computing Actual Causes for Neural Network Predictions under Structured Causal Inputs
该研究针对结构化因果输入下神经网络预测解释的误导性问题，提出基于布尔结构因果模型与边界传播、分支定界技术的方法，可高效计算所有最小实际原因，性能优于多种基线方法。
2026-08-05 cs.AI cs.LG cs.LO
Evaluating Predictive Business Process Monitoring Approaches on Small Event Logs
University of Bayreuth（拜罗伊特大学）；University of Regensburg（雷根斯堡大学）
预测性业务流程监控关注的是预测正在运行的流程实例将如何展开，直到在运行时完成。大多数提出的方法依赖于大量不同的机器学习（ML）技术。在过去的几年中，许多比较研究，评论和基准的这种方法，出版和显示，他们可以成功地应用于不同的预测目标。ML技术需要一个定性和定量的足够数据集。然而，在业务流程管理（BPM）中有许多情况下，只有数量不足的数据集可用。BPM背景下的数据不足问题仍然被忽视。因此，没有比较研究或基准调查的预测业务流程监控技术在小数据集的环境中的性能。在本文中，现有的方法比较其适用于小数据集的评价框架的开发和示范应用到国家的最先进的方法在预测业务流程监控。
2021-04-20 cs.AI
Prescriptive Business Process Monitoring for Recommending Next Best Actions
Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡大学）
预测性业务流程监控（PBPM）技术基于历史事件日志数据预测未来的流程行为，以改进运营业务流程。关于下一个活动预测，最近的PBPM技术使用最先进的深度神经网络（DNN）来学习预测模型，以在运行的过程实例中产生更准确的预测。尽管组织通过关键绩效指标（KPI）来衡量流程绩效，但DNN的学习过程并不直接受其影响。因此，所得到的下一个最可能的活动预测在实践中可能不太有益。规范性业务流程监控（PrBPM）方法评估有关其对流程性能（通常由KPI测量）的影响的预测，以通过发出警报或建议操作来防止不希望的流程活动。然而，这些方法都没有推荐实际的过程活动作为根据给定KPI优化的动作。我们提出了一种PrBPM技术，它将下一个最有可能的活动转换为给定KPI的下一个最佳行动。因此，我们的技术使用业务流程模拟，以确保控制流一致性的建议行动。基于我们的评估与两个现实生活中的事件日志，我们表明，我们的技术的下一个最好的行动可以优于下一个活动预测的KPI的优化和距离的实际过程实例。
2020-08-19 cs.AI cs.SE
Monitoring Constraints in Business Processes Using Object-Centric Constraint Graphs
RWTH Aachen University（亚琛工业大学）
约束监控旨在监控业务流程中的约束违反，例如，应通过分析事件数据，在收到相应货物后48小时内结清发票。用于约束监控的现有技术假设在业务过程中存在单个案例概念，医疗保健过程中的患者，并且每个事件与病例概念相关联。然而，实际上，业务流程是以对象为中心的，即，存在多个情况概念（对象），并且事件可以与多个对象相关联。例如，订单到现金（O2C）过程涉及订单、物品、交付等，并且它们在执行事件时交互，例如，将多个物品打包在一起以进行递送。现有的技术在应用于这种以对象为中心的业务流程时会产生误导性的见解。在这项工作中，我们提出了一种方法来监控约束以对象为中心的业务流程。为此，我们引入以对象为中心的约束图（OCCGs）来表示考虑对象交互的约束。接下来，我们通过分析以对象为中心的事件存储器（OCELs），存储在事件中的不同对象的交互来评估OCCG所表示的约束。我们已经实现了一个Web应用程序，以支持所提出的方法，并进行了两个案例研究，使用现实生活中的SAP ERP系统。
2022-10-21 cs.AI
What Automated Planning can do for Business Process Management
Sapienza - University of Rome（罗马大学）
业务流程管理（BPM）是当今组织的核心要素。尽管多年来它的主要重点一直是支持高度控制的领域中的流程，但现在BPM社区感兴趣的许多领域的特征是不断变化的需求，不可预测的环境和影响流程实例执行的数据量不断增加。在这种动态条件下，BPM系统必须提高其自动化水平，以提供流程管理所需的反应性和灵活性。另一方面，人工智能（AI）社区已经将其努力集中在调查涉及计算实体和物理设备的主动控制的动态域（例如，机器人、软件代理等）。在这种情况下，自动规划是人工智能中最古老的领域之一，被认为是一种基于模型的方法，可以从模型中自动合成自主行为。在本文中，我们将讨论如何利用自动化计划技术来实现新的自动化水平和对业务处理的支持，并展示一些成功应用于BPM生存周期不同阶段的具体示例。
2017-10-20 cs.AI
Analyzing Business Process Anomalies Using Autoencoders
Technische Universität Darmstadt（达姆施塔特工业大学）
企业自然有兴趣检测其内部流程中的异常，因为这些可能是欺诈和效率低下的指标。在商业智能领域，经典的异常检测并不是经常被研究。在本文中，我们提出了一种方法，使用自动编码器，检测和分析异常发生在执行业务流程。我们的方法不依赖于任何关于该过程的先验知识，并且可以在已经包含异常的噪声数据集上进行训练。我们通过在700个不同的数据集上对其进行评估并针对三种最先进的异常检测方法测试其性能来证明其有效性。本文是我们2016年工作的延伸[30]。与原始出版物相比，我们在性能方面进一步完善了该方法，并对更复杂的数据集进行了详细的评估，包括2012年和2017年业务流程智能挑战的真实事件日志。在我们的实验中，我们的方法达到了0.87的F1分数，而最好的未改变的最先进的方法达到了0.72的F1分数。此外，我们的方法可以用来分析检测到的异常，在一个执行过程中的事件导致的异常。
2018-03-03 cs.AI
Survey and cross-benchmark comparison of remaining time prediction methods in business process monitoring
Queensland University of Technology（昆士兰科技大学）；University of Tartu（塔尔图大学）；University of Melbourne（墨尔本大学）
预测性业务流程监视方法利用历史流程执行日志来生成关于业务流程的运行实例（称为案例）的预测，诸如对给定流程案例的结果、下一活动或剩余周期时间的预测。这些见解可用于支持业务管理人员在业务流程展开时采取补救行动，例如将资源从一个案件转移到另一个案件，以确保后者按时完成。在文献中已经提出了许多解决剩余周期时间预测问题的方法。然而，由于实验设置、数据集选择、评价指标和基线的差异，每种方法的相对优点仍不清楚。本文提出了一个系统的文献综述和分类的方法，剩余时间预测的背景下，业务流程，以及跨基准比较的16个这样的方法的基础上，16个现实生活中的数据集来自不同的行业领域。
2018-05-10 cs.AI cs.LG
Text-Aware Predictive Monitoring of Business Processes
RWTH Aachen University（亚琛工业大学）
利用历史事件数据对业务流程进行实时预测是现代业务流程监控系统的一项重要功能。现有的过程预测方法也能够利用记录事件的数据透视图，除了控制流透视图。然而，虽然在许多预测技术中考虑了结构良好的数值或分类属性，但几乎没有技术能够利用以自然语言编写的文本文档，其可以保存对预测任务至关重要的信息。在本文中，我们说明了一种新的文本感知过程预测模型的设计，实现和评估的基础上长短期记忆（LSTM）神经网络和自然语言模型。所提出的模型可以考虑事件数据中的分类，数字和文本属性，以预测下一个事件的活动和时间戳，结果和运行过程实例的周期时间。实验表明，文本感知模型能够在包含文本数据的模拟和真实事件日志上优于最先进的过程预测方法。
2022-05-10 cs.AI cs.LG
The WHY in Business Processes: Discovery of Causal Execution Dependencies
IBM Research（IBM研究院）
本研究针对流程发现算法仅依赖时间先后、缺乏因果视角的问题，提出结合活动时序与现有因果发现算法的系统性方法，挖掘流程任务的因果执行依赖，分析流程挖掘模型与因果模型的差异并标注，在合成及公开基准数据集上完成验证。
2024-11-29 cs.AI
Anomaly Correction of Business Processes Using Transformer Autoencoder
Anhui University of Science and Technology（安徽理工大学）；Anhui Province Engineering Laboratory for Big Data Analysis and Early Warning Technology of Coal Mine Safety（安徽省煤矿安全大数据分析与预警技术工程实验室）
针对现有事件日志异常处理依赖阈值且难以兼顾检测、修正与效率的问题，提出基于 Transformer 自编码器和自监督分类的方法，可直接修正任意长度流程实例并提升检测准确性。
2024-04-16 cs.AI cs.LG
Generating Realistic Adversarial Examples for Business Processes using Variational Autoencoders
Research Centre for Information Systems Engineering (LIRIS)（信息系统工程研究中心（LIRIS））；KU Leuven（鲁汶大学）
本文针对预测性流程监控中对抗样本易产生不真实流程的问题，提出两种基于变分自编码器潜在空间扰动的领域无关攻击方法，并在11个真实事件日志和4个预测模型上验证其能生成符合业务约束的真实对抗样本。
2024-11-21 cs.AI cs.LG
To do or not to do: cost-sensitive causal decision-making
Solvay Business School（索尔维商学院）；Vrije Universiteit Brussel（布鲁塞尔自由大学）；Faculty of Economics and Business（经济与商业学院）；Katholieke Universiteit Leuven（鲁汶大学）
因果分类模型在各种操作业务流程中采用，以根据流程实例特征预测处理对感兴趣的分类业务结果的影响。这允许优化操作决策，并选择最佳治疗方法应用于每个特定情况，目的是最大限度地提高积极结果率。虽然在文献中已经提出了各种强大的方法来学习因果分类模型，但考虑到各种治疗的成本和潜在结果的益处，还没有正式的框架来阐述基于估计的个体治疗效果的最佳决策。因此，在这篇文章中，我们扩展了预期值框架，并正式引入了一个成本敏感的决策边界的双二元因果分类，这是一个线性函数的估计个人治疗效果，积极的结果概率和成本和效益参数的问题设置。该边界允许对阳性和阴性治疗类别中的实例进行因果分类，以最大化预期的因果利润，这是作为成本敏感因果分类中的目标引入的。我们引入了预期因果利润排名器，它在每个可能的阈值上对因果分类实例进行排名，以最大化预期因果利润，并且不同于传统的基于个体治疗效果的排名方法。建议的排名方法进行实验评估合成和营销活动的数据集。结果表明，所提出的排名方法有效地优于成本不敏感的排名方法，并允许提高盈利能力。
2021-01-05 cs.AI cs.LG stat.ML
Meituan Merchant Business Diagnosis via Policy-Guided Dual-Process User Simulation
Independent Researcher（独立研究者）
本文提出Policy-Guided Hybrid Simulation框架，通过双过程融合提升商户策略评估的准确性，实验显示其在美团101家商户中误差降低45.8%。
2026-04-16 cs.AI cs.CL
DAOnt: A Formal Ontology for EU Data Act Compliance
Universidad Politécnica de Madrid（西班牙马德里理工大学）
本文提出DAOnt本体，通过机器可读表示支持数据共享协议的推理，复用LKIF-Core、ODRL和DPV本体元素，实现数据法案合规性检查。
2026-03-27 cs.AI cs.CY cs.DB
Expanding Data-Agnostic Pivotal Instances Selection Models with Proximity Trees and Ensemble Learning
该研究提出一种分层可解释关键实例选择模型，结合邻近树、斜树与集成学习扩展数据无关的模型，在多类型数据集上性能优于同类策略，实现了可解释性与预测效果的平衡。
2026-07-31 cs.AI cs.LG
Knowledge Graph Anchored Information-Extraction for Domain-Specific Insights
Accenture Labs（埃森哲实验室）
数据的数量和复杂性不断增加，给人类消费信息和及时响应带来了挑战。对于那些规则和法规快速变化的领域中的企业来说，未能识别变化可能会付出高昂的代价。与专家分析或特定领域的本体和分类法的开发相反，我们使用基于任务的方法来满足新领域中的特定信息需求。具体来说，我们建议从传入的实例数据中提取基于任务的信息。由最先进的NLP技术构建的管道，包括用于实体提取的bi-LSTM-CRF模型，基于注意力的深度语义角色标注，以及自动化的基于动词的关系提取器，用于自动提取实例级语义结构。然后，将每个实例与更大的、特定于领域的知识图谱相结合，以产生新的、及时的见解。手动验证的初步结果表明，该方法可有效提取特定信息以完成最终用例。
2021-04-20 cs.AI cs.CL
FO(C): A Knowledge Representation Language of Causality
KU Leuven（鲁汶大学）；Hasselt University（哈瑟尔特大学）；transnational University of Limburg（林堡跨国大学）
因果关系是人类知识的重要组成部分。在现实生活中，人类经常会推理与复杂结果相关的复杂原因。相比之下，现有的表示因果关系知识的形式主义在它们所允许的因果关系的规范方面是非常有限的。在本文中，我们提出了新的语言C-Log，它提供了一个显着更具表现力的表示效果，包括创建新对象等功能。我们展示了C-Log如何与一阶逻辑集成，从而产生FO（C）语言。我们还比较了FO（C）与几个相关的语言和范式，包括归纳定义，析取逻辑编程，业务规则和扩展的数据库。
2014-05-09 cs.AI cs.LO
Uncovering Misattributed Suicide Causes through Annotation Inconsistency Detection in Death Investigation Notes
Cockrell School of Engineering, The University of Texas at Austin（德克萨斯大学奥斯汀分校科克雷尔工程学院）；Weill Cornell Medicine（威尔康奈尔医学院）；School of Political Science and Public Administration, Shandong University（山东大学政治学与公共管理学院）；Mayo Clinic（梅奥诊所）；School of Information, The University of Texas at Austin（德克萨斯大学奥斯汀分校信息学院）
本文针对NVDRS死亡调查记录中的标注不一致问题，提出基于NLP和交叉验证范式的检测方法，分析267,804起自杀事件，验证了纠正问题实例可提升目标州分类性能5.4%的F-1分数。
2024-03-29 cs.AI cs.CL
Predictive Compliance Monitoring in Process-Aware Information Systems: State of the Art, Functionalities, Research Directions
Technical University of Munich（慕尼黑工业大学）；TUM School of Computation, Information and Technology（慕尼黑工业大学计算、信息与技术学院）
本文梳理合规监控与预测性流程监控文献，提出整合谓词预测与PPM的预测性合规监控（PCM）系统愿景，并系统评估现有方法对PCM功能需求的覆盖，指出开放挑战与研究方向。
2023-03-02 cs.AI cs.SE
Detecting and Explaining Drifts in Yearly Grant Applications
University of Antwerp（安特卫普大学）；Université Libre de Bruxelles（布鲁塞尔自由大学）
在业务流程的生命周期中，可以对工作流、所需资源、所需文档等进行更改。. . .因此，由于这些更改，单个日志文件中来自同一业务流程的不同跟踪可能会有很大的不同。我们提出了一种方法，能够检测概念漂移的多变量日志文件与十几个属性。我们在BPI Challenge 2018数据上测试了我们的方法，这些数据包括来自德国农民的欧盟直接支付申请，我们使用它来检测概念漂移。与其他方法相比，我们的算法不需要手动选择用于检测漂移的特征。我们的方法首先创建一个模型，该模型捕获属性之间以及不同时间步长的事件之间的关系。然后使用该模型对每个事件和跟踪进行评分。这些分数可用于检测离群情况和概念漂移。由于分数的可分解性，我们能够执行详细的根本原因分析。
2018-10-16 cs.AI cs.LG
Task-Level AI Readiness Assessment for Business Process Management:The T-IPO Model and LARA Matrix in Financial-Services IT Operations
Tsinghua University（清华大学）
本文提出T-IPO模型和LARA矩阵，用于评估任务级AI代理的适用性，通过认知执行复杂度和治理合规强度的两因素结构提升预测效用。
2026-04-16 cs.AI cs.CY cs.HC
Demographic Confounding Causes Extreme Instances of Lifestyle Politics on Facebook
Spotify；Cornell University（康奈尔大学）
当与意识形态没有实质性关系的活动在政治上结盟和两极分化时，生活方式政治就出现了。同质性和社会影响能够自己产生这些断层线;然而，来自人口统计的社会身份可能作为协调机制，通过这种机制，生活方式政治被动员起来并传播开来。使用来自不同种族/民族，教育，年龄，性别和收入人口统计数据的用户的299，327个Facebook兴趣的137，661，886个观察数据集，我们发现生活方式政治的最极端实例是那些高度混淆的人口统计数据，如种族/民族（例如，黑人艺术家和表演者）。在调整人口影响的政治结盟后，生活方式政治向政治“中心”下降了27.36%，人口混淆的利益不再是最两极分化的利益。相反，在人口统计学解构之后，我们发现最自由的利益包括电动汽车，计划生育和自由派讽刺，而最保守的利益包括共和党和保守派评论员。我们使用综合社会调查验证了我们对政治联盟和生活方式政治的衡量，并发现在Facebook等社交媒体无处不在之前，生活方式政治存在类似的人口纠缠，这让我们有信心我们的结果不是由于回音室或过滤气泡。同样，由于人口特征存在于意识形态价值观之前，我们认为，我们观察到的人口混淆是我们在聚集的利益中发现的极端生活方式政治的因果关系。最后，我们将我们的研究结果与辛普森悖论，文化杂食性和网络自相关。
2022-01-17 cs.AI cs.CL cs.IR
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
