A Reference Model for Collaborative Business Intelligence Virtual Assistants
本文面向协作式商业智能场景，提出由对话、数据探索和推荐代理组成的虚拟助手参考模型，并结合统一BI语义模型、数据仓库与协作单元支持数据分析和协同决策。
2023-04-20 cs.AI cs.DB cs.HC
Impact of Artificial Intelligence on Businesses: from Research, Innovation, Market Deployment to Future Shifts in Business Models
University of Delhi South Campus（德里大学南校区）；India Meteorological Department, Ministry of Earth Sciences（地球科学部印度气象部门）；Shaheed Rajguru College of Applied Sciences for Women, University of Delhi（德里大学沙希德·拉杰古鲁女子应用科学学院）
人工智能（AI）和自动化的快速发展正在推动战略家重塑他们的商业模式。这促进了人工智能在业务流程中的整合，但这种采用的后果尚未得到充分探索，需要引起注意。本文重点关注人工智能对企业的整体影响--从研究、创新、市场部署到未来商业模式的转变。为了评估这种整体影响，我们设计了一个三维的研究模型，基于新熊彼特经济学及其三种力量，即创新，知识和创业精神。第一个维度涉及人工智能的研究和创新。在第二个维度中，我们探讨了人工智能对全球市场和企业战略目标的影响，最后，第三个维度探讨了人工智能如何塑造商业环境。此外，本文还探讨了人工智能对演员及其阴暗面的影响。
2019-05-03 cs.AI cs.CY econ.GN
Enterprise AI Canvas -- Integrating Artificial Intelligence into Business
IUBH Internationale Hochschule GmbH（IUBH国际应用技术大学有限公司）
人工智能（AI）和机器学习具有巨大的潜力来改变企业并颠覆整个行业。然而，希望将算法决策集成到其业务中的公司面临着多重挑战：他们必须确定人工智能可以创造价值的用例，以及可以自动支持或执行的决策。此外，该组织将需要进行转型，以便能够将基于AI的系统整合到其人力资源中。此外，底层机器学习模型的更多技术方面必须讨论它们如何影响业务的各个单元：相关数据来自哪里，必须考虑哪些约束，如何评估数据和预测的质量？企业AI画布旨在将数据科学家和业务专家聚集在一起，讨论和定义需要澄清的所有相关方面，以便将基于AI的系统集成到数字企业中。它由两部分组成，第一部分侧重于业务视图和组织方面，而第二部分侧重于底层机器学习模型及其使用的数据。
2020-09-18 cs.AI cs.CY
A Pipeline for Business Intelligence and Data-Driven Root Cause Analysis on Categorical Data
Sardar Patel Institute of Technology（萨达尔·帕特尔理工学院）
商业智能（BI）是从现有数据中获得的任何知识，可以在业务中战略性地应用。数据采掘是一种使用统计数据建模从数据中提取BI的技术或方法。查找已收集的各种数据项之间的关系或相关性可用于提高业务绩效或至少更好地理解正在发生的事情。根本原因分析（RCA）是发现问题或事件的根本原因，以确定适当的解决方案。RCA可以显示事件发生的原因，这有助于避免将来发生问题。本文提出了一种新的聚类+关联规则挖掘管道，用于从数据中获取业务洞察。这个管道的结果是以关联规则的形式出现的，这些关联规则具有结果、前因和评估这些规则的各种度量。该管道的结果可以帮助锚定重要的业务决策，也可以被数据科学家用于更新现有模型或开发新模型。在生成的规则中，任何事件的发生都由其前因来解释。因此，该输出还可以帮助进行数据驱动的根本原因分析。
2022-11-12 cs.AI cs.LG
The Role of Accuracy and Validation Effectiveness in Conversational Business Analytics
FOM University of Applied Sciences（FOM应用科学大学）
本研究通过理论模型分析对话式商业分析中Text-to-SQL的准确性与验证有效性，发现部分支持在AI查询利润超过专家时可行，完全支持需高验证有效性，并指出用户验证挑战需健全机制。
2024-11-25 cs.AI econ.GN q-fin.EC
Business Intelligence from Web Usage Mining
电子商务的快速发展使企业界和客户都面临着新的形势。由于激烈的竞争，一方面和客户的选择，从几个替代品的商业社会已经意识到智能营销策略和关系管理的必要性。Web使用挖掘试图从用户与Web的交互中获得的辅助数据中发现有用的知识。Web使用挖掘对于有效的Web站点管理、自适应Web站点的创建、商业和支持服务、个性化、网络流量分析等都具有重要意义，本文介绍了Web使用挖掘的重要概念及其各种实际应用。我们进一步提出了一种新的方法“智能矿工”（i-Miner），以优化并发架构的模糊聚类算法（发现Web数据集群）和模糊推理系统来分析网站的访问者的趋势。本文提出了一种混合进化模糊聚类算法，以最优地分离相似的用户兴趣。聚类数据，然后使用一个Takagi-Sugeno模糊推理系统使用进化算法和神经网络学习的组合学习的趋势进行分析。所提出的方法相比，自组织映射（发现模式）和几个函数逼近技术，如神经网络，线性遗传编程和Takagi-Sugeno模糊推理系统（分析集群）。结果用图形表示，并详细讨论了实际意义。实证结果表明，提出的Web使用挖掘框架是有效的。
2004-05-06 cs.AI
What Does Evaluation of Explainable Artificial Intelligence Actually Tell Us? A Case for Compositional and Contextual Validation of XAI Building Blocks
ETH Zurich（苏黎世联邦理工学院）
本文提出一种细粒度、模块化的可解释人工智能验证框架，区分技术构建模块、用户解释与社会沟通协议，主张算法验证与用户研究互补，以系统性评估XAI系统属性及下游影响。
2024-03-19 cs.AI cs.HC
Transforming the Output of Generative Pre-trained Transformer: The Influence of the PGI Framework on Attention Dynamics
Institute of Mathematics and Statistics University of São Paulo (IME-USP)（圣保罗大学数学与统计研究所（IME-USP））；Itau Unibanco（伊塔乌联合银行）
本文提出PGI框架以适配GPT模型解决现实商业问题，在含4000条响应的商业场景验证中达93.81%准确率，可减少人类重复劳动、推动人机协同决策、提升运营与战略决策效率。
2023-08-25 cs.AI cs.CL cs.LG
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
Artificial Intelligence Governance for Businesses
University of Liechtenstein（列支敦士登大学）；Ruhr University of Bochum（波鸿鲁尔大学）
本文面向企业提出一个AI治理概念框架，将AI治理沿四个维度分解为数据、ML模型和AI系统治理，并综合文献为从业者实施和学术研究提供基础。
2025-07-16 cs.AI
Governance of Generative Artificial Intelligence for Companies
University of Liechtenstein（列支敦士登大学）；Ruhr University Bochum（波鸿鲁尔大学）
本文提出了一种针对生成式人工智能治理的框架，旨在平衡商业机会与风险，为公司提供实用指导。
2026-09-05 cs.AI cs.CY cs.LG
From Robotic Process Automation to Intelligent Process Automation: Emerging Trends
IBM Research AI（IBM研究院人工智能）
在这项调查中，我们研究了机器智能的最新进展如何破坏业务流程的世界。在过去的十年中，在“机器人流程自动化”（RPA）的保护伞下，业务流程的自动化取得了稳步进展。然而，我们目前正处于这一演变的转折点，因为出现了一种称为“智能流程自动化”（IPA）的新范式，将机器学习（ML）和人工智能（AI）技术引入其中，以改善业务流程结果。本文的目的是对这一新兴主题进行调查，并确定人工智能和业务流程交叉点的关键开放研究挑战。我们希望这一新兴主题将在RPA论坛上引发引人入胜的对话。
2020-07-27 cs.AI
Fact-Consistency Evaluation of Text-to-SQL Generation for Business Intelligence Using Exaone 3.5
LG Electronics（LG电子）
本文提出基于Exaone 3.5的事实一致性评估框架，构建包含219个业务问题的基准，评估LLM在商业智能场景下的Text-to-SQL生成能力，揭示了其在复杂任务中的局限性并强调验证层需求。
2025-04-30 cs.AI cs.CL cs.LG
Business and ethical concerns in domestic Conversational Generative AI-empowered multi-robot systems
University of Vaasa（瓦萨大学）；University of Arts London（伦敦艺术大学）；University of Jyväskylä（于韦斯屈莱大学）；University of Helsinki（赫尔辛基大学）；Free University of Bozen-Bolzano（博尔扎诺自由大学）；University of Tampere（坦佩雷大学）
本文针对CGI赋能的协作式多机器人系统，分析其商业风险与多维伦理陷阱，并报告MORUL伦理模型的开发阶段。
2024-01-12 cs.AI cs.CY
BI-REC: Guided Data Analysis for Conversational Business Intelligence
Arizona State University（亚利桑那州立大学）；IBM Research - Almaden；ICS-Forth；Google（谷歌）
商业智能（BI）应用程序的对话式接口支持以小的增量步骤使用自然语言对话框进行数据分析。为了真正释放对话式BI的力量，使数据访问民主化，系统需要为数据分析提供有效和持续的支持。在本文中，我们提出了BI-REC，BI应用程序的会话推荐系统，以帮助用户完成他们的数据分析任务。我们定义的BI模式，从OLAP多维数据集定义中提取的丰富的语义信息增强的数据分析的空间，并使用图形嵌入学习使用GraphSAGE创建一个紧凑的表示的分析状态。我们提出了一个两步的方法来探索有用的BI模式建议的搜索空间。在第一步中，我们使用先前的查询日志来训练多类分类器，以预测BI操作方面的下一个高级动作（例如，{ \em Drill-Down}或{ \em Roll-up}）和用户感兴趣的度量。在第二步中，使用协同过滤将高级操作进一步细化为实际的BI模式建议。这种两步方法使我们不仅能够划分和征服巨大的搜索空间，而且还需要更少的训练数据。我们的实验评估表明，与最先进的基线相比，BI-REC在BI模式推荐方面实现了83%的准确性，并且在预测延迟方面实现了高达2倍的加速。我们的用户研究进一步表明，BI-REC在几个不同的分析任务中提供了91.90%的精确度@3的建议。
2021-05-02 cs.AI cs.DB
ProcessGPT: Transforming Business Process Management with Generative Artificial Intelligence
Macquarie University（麦考瑞大学）；Dublin City University（都柏林城市大学）；Vienna University of Technology（维也纳工业大学）
本文提出 ProcessGPT，利用在业务流程数据上训练并微调的 GPT 生成流程模型、支持决策与自动化，并以大型银行场景展示其增效价值。
2023-05-29 cs.AI
TwinBI: An Agentic Digital Twin for Efficient Augmented Interactions with Business Intelligence Dashboards
Graduate School of Data Science, Seoul National University（首尔大学数据科学研究生院）
提出TwinBI框架，通过LLM代理与可执行仪表盘状态耦合，统一对话、操作、语义和溯源，提升多步分析中状态一致性，将精确匹配准确率从43.3%提升至63.3%，超时率从40%降至10%。
2026-06-15 cs.AI cs.MA
AI Native Asset Intelligence
Sola Security（Sola安全）
本文提出原生AI资产智能框架，通过结构化方法整合异构安全数据，实现一致、上下文感知和主动的资产推理。框架结合建模层和评分层，通过敏感性分析和消融研究验证其在资产优先级和安全态势推理中的有效性。
2026-05-12 cs.AI cs.CR
AI Exposure and AI Resilience: A Two-Dimensional Assessment Framework for Software and Software-Based Business Model
Findustrial GmbH（芬德斯特里亚尔有限公司）；Munich University of Applied Sciences（慕尼黑应用科学大学）
本文提出AI-ER二维评估框架，分别衡量AI对软件业务模型的变革压力与企业吸收压力、经济利用AI的韧性，并支持基于证据的评估与比较。
2026-09-11 cs.AI
6G Network Business Support System
本文介绍6G业务支撑系统（BSS）的整体愿景、关键技术与功能架构，提出其需向业务、客户中心转型并与OSS融合，还给出5G到6G BSS的演进路线与技术展望。
2023-07-19 cs.AI
Business and Regulatory Responses to Artificial Intelligence: Dynamic Regulation, Innovation Ecosystems and the Strategic Management of Disruptive Technology
本文以Fintech为例，提出动态监管和创新生态系统两种策略应对AI挑战，发现积极监管能吸引投资，且二者协同可提升区域AI竞争力。
2024-07-28 cs.AI cs.CY econ.GN
An Agentic AI for a New Paradigm in Business Process Development
Department of Industrial Engineering, University of Trento（工业工程系，特伦托大学）
本研究针对传统业务流程开发方法的局限，提出基于Agentic AI的智能体驱动开发方法，以目标、对象和智能体为核心组织流程，支持多智能体协作完成合并目标，实现动态工业环境下灵活的上下文感知自动化。
2025-07-29 cs.AI
Sociotechnical Approach to Enterprise Generative Artificial Intelligence (E-GenAI)
Universidad de Chile（智利大学）；TUTELKAN
本文提出一种社会技术方法，通过OID和OIDK模型整合SCM、ERP、CRM及BI、FL、TRIZ、KM等平台，构建E-GenAI生态系统以对齐大型语言模型，并利用有限自动机建模用户关系以识别社交媒体用户特征。
2025-01-31 cs.AI cs.CY cs.IT
Leveraging Artificial Intelligence as a Strategic Growth Catalyst for Small and Medium-sized Enterprises
Indiana University（印第安纳大学）
本文为中小企业提出AI采用框架，结合市场数据、实际应用和分阶段策略，论证AI如何驱动收入增长、降低运营成本并提升竞争力。
2025-09-18 cs.AI cs.CY econ.GN
Hybrid LLM/Rule-based Approaches to Business Insights Generation from Structured Data
Narrative BI
本文针对传统规则系统与大型语言模型在商业数据分析中的局限性，提出一种将规则系统的稳健性与 LLMs 的自适应能力相结合的混合方法，以从结构化数据中生成可执行的商业洞察。
2024-04-24 cs.AI cs.CL
A Generic Model for Swarm Intelligence and Its Validations
Peking University（北京大学）
针对现有群体智能建模方法通用性不足或过于抽象的问题，提出以矛盾为核心的通用模型，通过5类系统验证了其有效性与易用性。
2025-01-17 cs.AI
The future of human-AI collaboration: a taxonomy of design knowledge for hybrid intelligence systems
vencortex；Kassel University（卡塞尔大学）；University of St. Gallen（圣加仑大学）
最近的技术进步，特别是在机器学习领域，在通往人工通用智能的道路上取得了惊人的进步。然而，当前现实世界中的业务应用程序中的任务还不能单独由机器来解决。因此，我们确定需要开发人类和机器的社会技术合奏。这种系统具有通过将人类和人工智能相结合来实现复杂目标的能力，以共同实现卓越的结果，并通过相互学习不断改进。因此，这些系统需要结构化设计知识。按照分类发展方法，本文提供了三个主要贡献：首先，我们提出了一个结构化的概述跨学科研究的作用，人类在机器学习管道。第二，我们设想混合智能系统和概念化的系统设计的第一次相关的尺寸。最后，我们提供了有用的指导系统开发人员在实施这些应用程序。
2021-05-07 cs.AI cs.HC
DataLab: A Unified Platform for LLM-Powered Business Intelligence
Zhejiang University（浙江大学）；Tencent Inc.（腾讯公司）；Southern University of Science and Technology（南方科技大学）；Peking University（北京大学）
DataLab提出统一BI平台，融合LLM智能体框架与计算笔记本，通过领域知识融合、智能体通信和单元格上下文管理，在多种BI任务上实现最优性能并显著提升企业场景准确率、降低成本。
2025-04-07 cs.AI cs.CL cs.DB
Discovering Airline-Specific Business Intelligence from Online Passenger Reviews: An Unsupervised Text Analytics Approach
University of Missouri（密苏里大学）；National Institute of Technology Tiruchirappalli（国家理工学院蒂鲁吉拉伯利分校）
为了从乘客的角度了解服务质量的重要方面，并为竞争优势定制服务产品，航空公司可以利用丰富的在线客户评论（OCR）。本文的目的是使用无监督文本分析方法从OCR中发现公司和竞争对手的特定情报。首先，在OCR中讨论的关键方面（或主题）提取使用三个主题模型-概率潜在语义分析（pLSA）和潜在狄利克雷分配（LDA-VI和LDA-GS）的两个变体。随后，我们提出了一个集成辅助的主题模型（EA-TM），它集成了各个主题模型，以分类每个评论句子的最具代表性的方面。同样，为了确定与评论句子相对应的情感，开发了集成情感分析器（E-SA），其结合了三种意见挖掘方法（AFINN，SentiStrength和VADER）的预测。一个基于方面的意见摘要（AOS），它提供了一个快照的航空公司感知的优势和劣势，是通过巩固与每个方面相关联的情绪。此外，采用标记OCR的二元语法分析来执行每个识别方面内的根本原因分析。一个案例研究，涉及99,147航空公司的评论，总部设在美国的目标承运人和它的四个竞争对手被用来验证所提出的方法。结果表明，一个成本和时间有效的性能摘要的航空公司及其竞争对手可以从OCR。最后，除了根据我们的研究结果提供理论和管理方面的启示外，我们还考虑到2019冠状病毒病（COVID-19）的前所未有的影响以及对未来类似流行病的预测，为航空业的大流行后准备提供了启示。
2020-12-14 cs.AI cs.IR cs.LG
An Experience Report of Executive-Level Artificial Intelligence Education in the United Arab Emirates
Uppsala University（乌普萨拉大学）；University of Oxford（牛津大学）；New York University Abu Dhabi（纽约大学阿布扎比分校）；Linacre College, University of Oxford（牛津大学林纳克学院）；Artificial Intelligence Office（人工智能办公室）
教授人工智能（AI）是一项挑战。这是一个快速发展的领域，因此很难让人们了解最新的最新技术。为学生提供的教育服务不断增加，超越了人工智能教育传统上所提供的大学学位课程。在本文中，我们提出了在阿拉伯联合酋长国（UAE）为企业高管教授人工智能课程的经验报告。我们没有只关注理论和技术方面，而是开发了一门教授人工智能的课程，旨在让学生了解如何将其融入现有的业务流程。我们提出了我们的课程，课程和教学方法的概述，我们讨论了我们对教学成人学习者的思考，并在阿联酋的学生。
2022-02-02 cs.AI cs.CY
Explainable Artificial Intelligence for Process Mining: A General Overview and Application of a Novel Local Explanation Approach for Predictive Process Monitoring
German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）；Saarland University（萨尔大学）
现代的流程感知信息系统具有记录流程执行过程中产生的活动的能力。为了利用这些过程特定的细粒度数据，过程挖掘最近成为一个有前途的研究学科。预测性业务流程管理作为流程挖掘的一个重要分支，追求的目标是产生前瞻性、预测性的洞察力来塑造业务流程。在这项研究中，我们提出了一个概念框架，旨在建立和促进决策环境的理解，基本的业务流程和用户特征的性质，开发可解释的业务流程预测解决方案。因此，关于该框架的理论和实践意义，本研究提出了一种新的局部事后解释方法，用于深度学习分类器，该方法有望促进领域专家证明模型决策的合理性。与其他流行的基于扰动的局部解释方法相反，本研究通过使用深度神经网络学习的中间潜在空间表示来定义验证数据集的局部区域。为了验证所提出的解释方法的适用性，使用了沃尔沃比利时IT公司的事件管理系统提供的真实过程日志数据。所采用的深度学习分类器取得了良好的性能，ROC曲线下面积为0.94。生成的本地解释也被可视化，并与相关的评估措施，预计将增加用户的信任在黑盒模型。
2020-09-12 cs.AI cs.LG stat.ML
GenAI in Entrepreneurship: a systematic review of generative artificial intelligence in entrepreneurship research: current issues and future directions
本文系统综述了83篇关于生成式人工智能影响创业的研究，通过无监督机器学习识别出五大主题集群，并指出未来需加强宏观层面研究和有效监管框架探索。
2025-05-08 cs.AI econ.GN q-fin.EC
Twin Transition or Competing Interests? Validation of the Artificial Intelligence and Sustainability Perceptions Inventory (AISPI)
Research Center Trustworthy Data Science and Security（可信数据科学与安全研究中心）
本文开发并验证了13条目的AISPI量表，通过因子分析识别出双重转型与利益竞争两个维度，证明公众能同时感知AI与可持续性间的协同与张力，为相关研究提供基础工具。
2025-03-24 cs.AI cs.CY
What is Reproducibility in Artificial Intelligence and Machine Learning Research?
Ready Tensor, Inc.（Ready Tensor公司）；Boston University（波士顿大学）
针对AI与ML领域的可重复性危机与术语混淆，提出结构化框架明确可重复性、可复现性与复现性等验证概念，以提升研究可靠性与可信度。
2025-03-30 cs.AI cs.CY cs.LG
Auditable Climate Risk Intelligence from Fragmented ESG Data: Deterministic Orchestration and Imbalance-Aware Learning for Scope 1-3 Validation
Kent Business School, University of Kent（肯特大学 Kent 商学院）
针对ESG数据碎片化及传统验证缺乏可审计性的问题，提出一种融合确定性编排、时序异常检测、不平衡感知集成学习和可解释治理的框架，并构建合成基准实现可复现验证。
2026-05-23 cs.AI cs.LG
BI-Agent and BI-Bench: Towards Automating End-to-End Business Intelligence
UIUC（伊利诺伊大学厄巴纳-香槟分校）；Microsoft Research（微软研究院）；Microsoft（微软）
本文提出 BI-Agent 与 BI-Bench，首个系统评估 LLM 端到端 BI 能力的基准，通过工具增强与后训练显著提升准确率。
2026-09-21 cs.AI cs.CL cs.DB
ML-Driven Approaches to Combat Medicare Fraud: Advances in Class Imbalance Solutions, Feature Engineering, Adaptive Learning, and Business Impact
College of Business, Florida Atlantic University（佛罗里达大西洋大学商学院）；Florida Atlantic University（佛罗里达大西洋大学）
本研究针对Medicare欺诈检测中的类别不平衡、高维数据等问题，采用SMOTE重采样、特征工程等预处理技术，对比五种机器学习模型，发现随机森林性能最优，验证了相关技术的有效性，为构建可靠的医疗欺诈检测系统提供支撑。
2025-02-21 cs.AI cs.LG
An Artificial Intelligence-based model for cell killing prediction: development, validation and explainability analysis of the ANAKIN model
Trento Institute for Fundamental Physics and Application (TIFPA)（特伦托基础物理与应用研究所（TIFPA））；University of Miami Miller School of Medicine（迈阿密大学米勒医学院）
本文提出ANAKIN人工智能模型，基于PIDE数据库中513个细胞存活实验训练，用于预测辐射诱导的细胞杀伤，在多个生物学终点上优于临床常用的MKM和LEM模型，并通过可解释人工智能技术验证其能重现过度杀伤效应等已知生物学规律。
2023-01-19 cs.AI physics.med-ph
Embodied Intelligence in Disassembly: Multimodal Perception Cross-validation and Continual Learning in Neuro-Symbolic TAMP
School of Mechanical Engineering, Shanghai Jiao Tong University（上海交通大学机械工程学院）；Intel Labs China（英特尔中国实验室）；Intel Asia Pacific R&D Ltd（英特尔亚太研发有限公司）
本文提出基于神经符号TAMP的持续学习框架，集成多模态感知交叉验证与双向推理流，解决动力电池非结构化拆卸中的动态环境感知问题，将任务成功率提升至100%并显著降低感知误判。
2025-09-14 cs.AI cs.RO
Hunt Globally: Wide Search AI Agents for Drug Asset Scouting in Investing, Business Development, and Competitive Intelligence
Bioptic
本文提出一种基于树结构的自学习Bioptic代理，用于在多语言、异构数据源中实现高召回率的药物资产勘探，通过构建多代理流水线和基准测试，验证了其在非美国中心雷达数据中的完整性和准确性。
2026-05-14 cs.AI cs.IR
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
Abstraction, Validation, and Generalization for Explainable Artificial Intelligence
Rutgers University（罗格斯大学）
神经网络架构在不断扩大的任务范围上实现了超人的性能。为了有效和安全地部署这些系统，他们的决策必须能够被广泛的利益相关者所理解。已经提出了解释人工智能的方法来应对这一挑战，但缺乏理论阻碍了系统抽象的发展，这是积累知识所必需的。我们提出贝叶斯教学作为一个框架，通过整合机器学习和人类学习来统一可解释的人工智能（XAI）。贝叶斯教学将解释形式化为解释者改变被解释者信念的交流行为。这种形式化将任何XAI方法分解为四个部分：（1）要解释的推理，（2）解释媒介，（3）被解释者模型，以及（4）解释者模型。贝叶斯教学分解任何XAI方法所提供的抽象阐明了它们之间的不变性。XAI系统的分解使模块化验证成为可能，因为列出的前三个组件中的每一个都可以半独立地进行测试。这种分解还通过重组来自不同XAI系统的组件来促进泛化，这有助于生成新的变体。只要每个组件都经过验证，就不需要逐一评估这些新变体，从而使开发时间呈指数级减少。最后，通过明确解释的目标，贝叶斯教学可以帮助开发人员评估XAI系统是否适合其预期的真实用例。因此，贝叶斯教学提供了一个理论框架，鼓励系统的，科学的调查XAI。
2021-10-12 cs.AI
Bringing Back Rule Induction to Fluid Intelligence Research? An Initial Validation of the ARC-AGI Benchmark in Humans
Ulm University（乌尔姆大学）
研究围绕流体智力测量的两种观点，以含100名参与者的研究初步验证ARC-AGI基准用于人类流体智力测量的有效性，发现其与图形流体智力显著相关，为相关研究提供支持并建议嵌入人工智能基准以促进评估与合作。
2026-07-16 cs.AI cs.LG
New Hybrid Techniques for Business Recommender Systems
FHNW University of Applied Sciences and Arts Northwestern Switzerland（瑞士西北应用科学与艺术大学）
除了推荐系统在B2C场景（如电影或购物平台）中的典型应用外，人们对通过使用推荐系统来转换例如在咨询中提供的人为驱动的建议越来越感兴趣。我们探索这种基于知识的B2B服务的特殊性，并提出了一个过程，允许将推荐系统到他们。我们建议和比较几个推荐技术，允许将必要的上下文知识（如公司人口统计）。这些技术是在一个商业智能咨询案例的测试集上孤立评估的。然后，我们确定各自的优势，不同的技术，并提出了一个新的杂交策略，结合这些优势。我们的研究结果表明，杂交导致了一个显着的性能改善的个别方法。
2021-12-06 cs.AI cs.IR
Artificial intelligence-enabled single-lead ECG for non-invasive hyperkalemia detection: development, multicenter validation, and proof-of-concept deployment
本文开发了基于AI的单导联ECG系统Pocket-K，用于无创高钾血症筛查，并通过多中心研究验证其性能，展示了在慢性肾病和心力衰竭患者中的应用潜力。
2026-03-17 cs.AI cs.LG
Automatic Quantification of Volumes and Biventricular Function in Cardiac Resonance. Validation of a New Artificial Intelligence Approach
CONICET（阿根廷国家科学与技术研究理事会）；The Bariloche Atomic Center（巴里洛切原子中心）；Instituto Balseiro（巴尔塞罗研究所）；Universidad Nacional de Cuyo（库约国立大学）；Sanatorio San Carlos（圣卡洛斯疗养院）；National Atomic Energy Commission (Comisión Nacional de Energía Atómica, CNEA)（国家原子能委员会（CNEA））
工作背景：人工智能技术在心脏病学中显示出巨大的潜力，特别是在量化心脏双心室功能、容积、质量和射血分数（EF）方面。然而，它在临床实践中的使用并不简单，因为它与日常实践中的病例再现性差，以及其他原因。目的：验证一种新的人工智能工具，以量化心脏双心室功能（容积、质量和EF）。分析其在临床领域的稳健性，并与传统方法进行计算时间比较。方法：共分析了189例患者：89例来自区域中心，100例来自公共中心。该方法提出了两个卷积网络，包括心脏的解剖信息，以减少分类错误。结果如下：在每次研究约5秒内，观察到手动定量与心脏功能拟议定量之间的高度一致性（Pearson系数）（容积和双心室EF分别为0.98、0.92、0.96和0.8）。结论：该方法可以在几秒钟内量化双心室功能和容量，其准确性与专家相当。
2022-06-03 cs.AI cs.CV cs.LG
Large Language Models for Causal Relations Extraction in Social Media: A Validation Framework for Disaster Intelligence
Arizona State University（亚利桑那州立大学）；DEVCOM Army Research Laboratory（陆军研究实验室）
本文研究大型语言模型在灾害社交媒体中提取因果关系的有效性，提出专家导向的评估框架并评估提取关系是否由事后证据支持。
2026-05-12 cs.AI cs.CL cs.IR
Explainable Artificial Intelligence for Improved Modeling of Processes
Bielefeld University（比勒费尔德大学）；Recommendy UG（Recommendy UG公司）
在现代业务流程中，近年来收集的数据量大幅增加。由于这些数据可能会产生有价值的见解，因此已经提出了基于过程挖掘的自动知识提取以及其他技术，以向用户提供对其中包含的信息的直观访问。目前，大多数技术的目标是重建显式的业务流程模型。这些都是直接解释，但有限的关于不同的和真正有价值的信息源的整合。另一方面，机器学习（ML）受益于大量可用的数据，可以处理高维数据源，但它很少被应用于流程中。在这篇文章中，我们评估了现代Transformer架构的能力，以及建模过程建模的更经典的ML技术，可以通过它们的预测能力进行定量评估。此外，我们展示了注意属性和特征相关性确定的能力，突出的功能是至关重要的过程的预测能力。我们使用五个基准数据集证明了我们方法的有效性，并表明ML模型能够预测关键结果，并且注意力机制或XAI组件提供了对底层过程的新见解。
2022-12-01 cs.AI cs.LG
Measuring the Fragility of Trust: Devising Credibility Index via Explanation Stability (CIES) for Business Decision Support Systems
Bucharest University of Economic Studies（布加勒斯特经济研究大学）
本文提出CIES指标，通过解释稳定性衡量AI模型解释的可信度，验证模型复杂度和数据平衡对解释稳定性的影响，为商业决策系统提供可信度预警。
2026-03-05 cs.AI cs.LG
Evaluation of key impression of resilient supply chain based on artificial intelligence of things (AIoT)
Iran University of Science and Technology（伊朗科技大学）；Academic Center for Education, Culture and Research (ACECR)（教育、文化与研究学术中心（ACECR））；University of Gdańsk（格但斯克大学）
近年来，商业环境的高度复杂性，动态性和环境变化，不确定性和全球化等概念以及组织在国内和国际舞台上的竞争加剧，导致了管理供应链的方程式发生了许多变化。在这种情况下，供应链组织必须随时准备应对各种挑战和动态环境变化。应对这些挑战的有效解决方案之一是创建弹性供应链。弹性供应链能够克服商业环境中的不确定性和中断。这种供应链的竞争优势不仅仅取决于低成本、高质量、减少延迟和高水平的服务。相反，它具有链条避免灾难和克服危急情况的能力，这就是供应链的韧性。人工智能和物联网技术及其组合，称为AIoT，近年来在改善供应链绩效方面发挥了关键作用，因此可以提高供应链的弹性。因此，在本研究中，试图通过研究基于人工智能（AIoT）的供应链的维度和组成部分，更好地了解这些技术对公平的影响。最后，利用非线性模糊决策方法，确定了影响弹性智能供应链的最重要的组成部分。了解这种评估可以帮助增强智能供应链。
2022-07-18 cs.AI cs.SY eess.SY
