Breaking the ICE: Exploring promises and challenges of benchmarks for Inference Carbon & Energy estimation for LLMs
Accenture Labs, India（Accenture实验室，印度）；Accenture, India（Accenture，印度）；Accenture, USA（Accenture，美国）
本文提出利用现有LLM基准估算提示级推理碳排放的框架R-ICE，以克服当前监测与估算工具侵入性强、误差大等挑战，验证结果显示出良好潜力，支持动态路由与碳核算等应用。
2025-06-10 cs.AI cs.CY cs.LG
All Explanations are Wrong, But Many Are Useful: Exploring the Rashomon Explanation Set with Large Language Models
Scheller College of Business, Georgia Tech（舍勒商学院，佐治亚理工学院）
研究指出机器学习模型解释存在准确性与可解释性权衡非根本性的观点，引入罗生门解释范式，提出RashomonLLM工作流程，经实验验证其在多任务中显著优于基线，提升业务性能并奠定消费者信任基础。
2026-07-13 cs.AI cs.IR cs.LG
Deep Learning for Predictive Business Process Monitoring: Review and Benchmark
Universidade de Santiago de Compostela（圣地亚哥-德孔波斯特拉大学）
业务流程的预测性监控涉及对业务流程上正在进行的案例的预测。最近，深度学习技术的流行促进了一组不断增长的方法，这些方法专注于基于这些技术的预测监控。然而，用于评估这些方法的过程日志和实验设置的高度差异使得进行公平的比较特别困难。此外，它也很难选择最合适的方法来解决特定的问题。在本文中，我们对使用深度学习来解决预测性监控任务的方法进行了系统的文献综述。此外，我们进行了详尽的实验评估10种不同的方法超过12个公开可用的进程日志。
2021-10-29 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
Specification-Driven Predictive Business Process Monitoring
University of Innsbruck（因斯布鲁克大学）；Free University of Bozen-Bolzano（博尔扎诺自由大学）；Blekinge Institute of Technology（布莱金厄理工学院）
业务流程监控中的预测分析旨在预测正在运行的业务流程的未来信息。预测通常基于从历史过程执行日志（事件日志）提取的模型来进行。在实践中，不同的业务领域可能需要不同类型的预测。因此，重要的是具有用于适当地指定期望的预测任务的手段，以及处理这些各种预测任务的机制。虽然在这方面已经有很多研究，但它们大多集中在特定的预测任务上。这项工作介绍了一种语言，用于指定所需的预测任务，这种语言允许我们表达各种预测任务。这项工作还提出了一种机制，用于自动创建相应的预测模型的基础上给定的规格。与以前的研究不同，我们提出了一种基于所需预测任务的给定规范来处理各种预测任务的方法，而不是专注于特定的预测任务。我们还提供了一个实现的方法，这是用来进行实验，使用现实生活中的事件日志。
2019-04-20 cs.AI
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
Outcome-Oriented Predictive Process Monitoring: Review and Benchmark
University of Tartu（塔尔图大学）；The University of Melbourne（墨尔本大学）
预测性业务流程监控是指根据业务流程的未完成执行跟踪和历史（已完成）跟踪日志，对正在进行的业务流程案例的未来状态进行预测的行为。由于业务流程执行的细粒度事件数据越来越普遍，预测性流程监控问题在过去几年中受到了极大的关注。特别地，已经提出了相当多的方法来解决面向结果的预测过程监控的问题，其指的是根据给定的一组可能的分类结果对过程的每个正在进行的情况进行分类，例如，客户会不会投诉？订单会被交付、取消或撤回吗？不幸的是，不同的作者使用不同的数据集、实验环境、评价措施和基线来评估他们的建议，导致可比性差，不同方法的相对优点和适用性不清楚。为了解决这一差距，本文提出了一个系统的审查和分类的结果导向的预测过程监控方法，和比较实验评估的11个代表性的方法使用的基准涵盖24个预测过程监控任务的基础上，9个现实生活中的事件日志。
2018-10-23 cs.AI
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
An Innovative Next Activity Prediction Using Process Entropy and Dynamic Attribute-Wise-Transformer in Predictive Business Process Monitoring
Department of Electrical and Computer Engineering, 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电气与计算机工程系）；Department of Mechanical Engineering, 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机械工程系）
本文提出基于过程熵的模型选择框架和动态属性-wise-Transformer，用于提升预测业务流程监控中下一流程活动的预测性能，平衡可解释性与准确性。
2026-04-07 cs.AI cs.LG
Specification-Driven Multi-Perspective Predictive Business Process Monitoring (Extended Version)
University of Innsbruck（因斯布鲁克大学）；Free University of Bozen-Bolzano（博尔扎诺自由大学）
业务流程监控中的预测分析旨在预测正在运行的业务流程的未来信息。预测通常基于从历史过程执行日志（事件日志）提取的模型来进行。在实践中，不同的业务领域可能需要不同类型的预测。因此，重要的是具有用于适当地指定期望的预测任务的手段，以及处理这些各种预测任务的机制。虽然在这方面已经有很多研究，但它们大多集中在特定的预测任务上。这项工作介绍了一种语言，用于指定所需的预测任务，这种语言允许我们表达各种预测任务。这项工作还提出了一种机制，用于自动创建相应的预测模型的基础上给定的规格。因此，不同于以往的研究，我们的方法使我们能够处理各种预测任务的基础上给定的规格。实现我们的方法的原型已经开发和实验，使用现实生活中的事件日志已经进行。
2018-07-01 cs.AI cs.LO
A Framework for Object-Centric Predictive Monitoring of Collaborative Processes
Universidad ORT Uruguay（乌拉圭ORT大学）；Universidad de la República（乌拉圭共和国大学）
本研究提出一种将协作预测流程监控与以对象为中心的流程挖掘结合的框架，通过语义映射、任务重述及实现的流水线，在五组日志上验证了其有效性。
2026-08-31 cs.AI
How Users Explore Ontologies on the Web: A Study of NCBO's BioPortal Usage Logs
Stanford University（斯坦福大学）；Graz University of Technology（格拉茨技术大学）；GESIS（莱布尼茨社会科学研究所）；University of Koblenz-Landau（科布伦茨-兰道大学）
生物医学领域的本体论数量众多，高度专业化，开发成本非常昂贵。因此，本体采用和重用的一个重要前提是有效地支持探索和发现现有的本体。为了实现这一目标，国家生物医学本体中心（NCBO）开发了BioPortal-一个在线知识库，旨在支持用户探索和查找500多个现有的生物医学本体。2016年，BioPortal是探索语义生物医学词汇和术语的最大门户之一，被许多研究人员和从业者使用。虽然这个门户的使用率很高，但我们对用户究竟如何搜索和探索本体以及首先存在什么样的使用模式或用户组知之甚少。深入了解用户在这些门户网站上的行为可以提供有价值的信息，以制定更好地支持用户探索和查找现有本体的策略，从而实现更好的本体重用。为此，我们使用数据采掘技术研究和分组用户根据他们的浏览行为在BioPortal上。此外，我们使用所获得的组来表征和比较探索策略跨本体。特别是，我们能够识别出七种不同的浏览行为类型，它们都使用了BioPortal提供的不同功能。例如，搜索浏览器广泛使用搜索功能，而本体树浏览器主要依赖于类层次结构来浏览本体。此外，我们表明，本体的具体特点影响用户探索和互动的网站。我们的研究结果可能会指导开发更多的面向用户的系统在Web上的本体探索。
2016-10-31 cs.AI cs.DL cs.HC
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
Prescriptive Process Monitoring in Intelligent Process Automation with Chatbot Orchestration
IBM Research - Israel（IBM以色列研究院）
近年来，涉及人工智能自动化的业务流程越来越重要，市场份额也越来越大。这些业务流程结合了经典业务流程管理、目标驱动聊天机器人、会话推荐系统和机器人流程自动化的特征。在新的情况下，规范性的过程监测需要创新的方法。不幸的是，这些新进程的数据日志仍然无法在公共领域中获得。我们描述了这个新领域的主要挑战，并介绍了一个基于聊天机器人编排的智能流程自动化实际用例的合成数据集。使用这个数据集，我们展示了群众智慧和目标驱动的方法来规范过程监控。
2022-12-13 cs.AI
DeepFilter: A Transformer-style Framework for Accurate and Efficient Process Monitoring
State Key Laboratory of Industrial Control Technology, College of Control Science and Engineering, Zhejiang University（工业控制技术国家重点实验室，控制科学与工程学院，浙江大学）
DeepFilter通过改进自注意力机制，提升过程监控的准确性和效率，为从业者提供了一个高效的基准方法。
2026-01-03 cs.AI cs.LG
An Accurate and Interpretable Framework for Trustworthy Process Monitoring
State Key Laboratory of Industrial Control Technology, College of Control Science and Engineering, Zhejiang University（工业控制技术国家重点实验室，控制科学与工程学院，浙江大学）
本文提出AttentionMixer框架，通过空间自适应消息传递块和稀疏消息传递正则化器，提升能源转换装置在极端工况下的监控准确性和可解释性。
2026-03-24 cs.AI cs.LG eess.SP
Feature Attribution-Based Explainability Analysis of Deep Learning Models in Predictive Process Monitoring
SKEMA Business School（SKEMA商学院）；KU Leuven（鲁汶大学）
研究预测过程监控中深度学习模型黑箱问题，提出基于控制流感知分割算法的局部事后可解释性方法，能计算段级SHAP解释，在合成及真实数据集上评估验证，提升模型可解释性。
2026-07-21 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
Alarm-Based Prescriptive Process Monitoring
University of Tartu（塔尔图大学）；Eindhoven University of Technology（埃因霍温理工大学）
预测过程监控涉及对过程执行期间产生的事件的分析，以便预测其正在进行的情况的未来状态。该领域中的现有技术能够在案件的每个步骤预测案件将以不期望的结果结束的可能性。然而，这些技术没有考虑到过程工作者可以对所生成的预测做什么，以便降低不期望的结果的可能性。本文提出了一个框架，规范的过程监控，扩展了预测过程监控方法的报警，干预，补偿和缓解效果的概念。该框架采用了一个参数化的成本模型，以评估在给定的设置中应用规范性流程监测的成本效益权衡。本文还概述了一种方法，以优化生成报警给定的数据集和一组成本模型参数。所提出的方法是经验评估使用一系列的现实生活中的事件日志。
2018-06-19 cs.AI cs.LG
Exploring Bayesian Surprise to Prevent Overfitting and to Predict Model Performance in Non-Intrusive Load Monitoring
Simon Fraser University（西蒙弗雷泽大学）；University of Klagenfurt（克拉根福大学）
非侵入式负载监测（NILM）是一个研究领域，其重点是仅基于其聚合信号来隔离系统中的组成电气负载。大量的计算资源和研究时间都花在了训练模型上，通常使用尽可能多的数据，这可能是由于更多的数据等同于更准确的模型和更好的算法。什么时候进行过充分的前期培训？什么时候NILM算法遇到了新的、看不见的数据？这项工作适用于贝叶斯惊喜的概念来回答这些问题，这对监督和无监督算法都很重要。我们量化了预测分布（称为事后惊喜）和过渡概率（称为过渡惊喜）之间的惊喜程度，在观察窗口之前和之后。我们比较了几个基准NILM算法支持的NILMTK的性能，以建立一个有用的阈值上的两个联合措施的惊喜。我们通过探索流行的隐马尔可夫模型作为惊喜阈值的函数的性能来验证过渡惊喜的使用。最后，我们探索使用惊喜阈值作为正则化技术，以避免跨数据集性能的过拟合。虽然在没有进一步测试的情况下，本文讨论的特定惊喜阈值的一般性可能是可疑的，但这项工作提供了明确的证据，表明存在模型性能相对于数据集大小的收益递减点。这对未来的模型开发、数据集获取以及在部署过程中帮助提高模型灵活性都有影响。
2020-09-16 cs.AI eess.SP
MoniLog: An Automated Log-Based Anomaly Detection System for Cloud Computing Infrastructures
ISEP - Institut Supérieur d’Électronique de Paris（巴黎高等电子学院）；DS OUTSCALE（3DS OUTSCALE）
本文提出分布式系统 MoniLog，通过结构化多源日志流、监控顺序与定量异常，并利用分类器学习管理员操作评估严重程度，实现云计算环境中的实时自动化异常检测。
2023-04-24 cs.AI cs.IR
Prescriptive Process Monitoring for Cost-Aware Cycle Time Reduction
The University of Melbourne（墨尔本大学）；University of Tartu（塔尔图大学）
缩短周期时间是业务流程管理领域经常关注的问题。根据流程的不同，可能会触发各种干预措施，以缩短案例的周期时间，例如，在订单到交付流程中使用更快的运输服务，或者给客户打电话以获取缺失的信息，而不是被动地等待。每一种干预都有代价。本文处理的问题，以最大限度地提高总净收益的方式，确定是否以及何时触发时间减少干预。本文提出了一种规范的过程监控方法，使用正交随机森林模型来估计的因果效应，触发一个时间减少干预的过程中的每个正在进行的情况。基于这种因果效应估计，该方法根据用户定义的策略触发干预措施。该方法进行了评估两个现实生活中的日志。
2021-09-15 cs.AI cs.LG
Nirdizati: an Advanced Predictive Process Monitoring Toolkit
Fondazione Bruno Kessler (FBK)（布鲁诺·凯塞勒基金会）；Free University of Bozen-Bolzano（博尔扎诺自由大学）
预测性流程监控是流程挖掘的一个领域，旨在使用事件日志中记录的过去流程执行来预测业务流程的正在执行在未来将如何发展。该领域最近的出版物表明，需要能够支持研究人员和用户分析，比较和选择最适合他们的技术的工具。Nirdizati是一个专门的工具，用于支持用户构建，比较，分析和解释预测模型，然后可以用于对正在进行的案例的未来进行预测。通过提供一组丰富的不同的最先进的方法，Nirdizati为BPM研究人员和从业者提供了一个有用的和灵活的工具，用于调查和比较预测过程监控技术。在本文中，我们提出了当前版本的Nirdizati，连同其架构，已开发，以提高其模块化和可扩展性。Nirdizati的功能丰富了其支持整个管道内的研究人员和从业人员构建可靠的预测过程监控模型的能力。
2022-10-18 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
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
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
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
Beyond Yes or No: Predictive Compliance Monitoring Approaches for Quantifying the Magnitude of Compliance Violations
Technical University of Munich（慕尼黑工业大学）；Tsinghua University（清华大学）
本文提出两种预测性合规监控方法，通过混合分类回归和多任务学习，在预测合规状态的同时量化时间约束违规程度，并在合成与真实事件日志上验证了其有效性。
2025-02-03 cs.AI cs.LG
An End-to-End Approach for Online Decision Mining and Decision Drift Analysis in Process-Aware Information Systems: Extended Version
University of Vienna（维也纳大学）；Technical University of Munich（慕尼黑工业大学）
决策挖掘能够从事件日志或流中发现决策规则，并构成深入分析和优化业务流程的重要组成部分。到目前为止，决策挖掘仅仅是以事后的方式应用的，从而为给定的日志数据块生成决策规则的快照。相比之下，在线决策挖掘可以连续监控决策规则的演变和决策漂移。因此，本文提出了一种端到端的方法，发现以及监测决策点和相应的决策规则在运行时，弥合在线控制流发现和决策挖掘之间的差距。该方法提供了自动决策支持的过程感知信息系统与有效的决策漂移发现和监测。为了进行监控，不仅要考虑决策规则在准确性方面的性能，还要考虑数据元素的出现和分支频率的变化。本文提供了两个算法，这是四个合成和一个现实生活中的数据集进行评估，显示该方法的可行性和适用性。总体而言，该方法促进了对业务流程中决策的理解，从而有助于改善人与流程的交互。
2023-03-07 cs.AI
Neuro-Symbolic Learning for Predictive Process Monitoring via Two-Stage Logic Tensor Networks with Rule Pruning
University of Parma（帕尔马大学）；Eindhoven University of Technology（埃因霍温理工大学）
本文提出一种神经符号学习方法，通过两阶段优化策略结合逻辑张量网络与规则剪枝，提升预测过程监控的准确性，尤其在合规约束下表现优异。
2026-03-27 cs.AI
TFBEST: Dual-Aspect Transformer with Learnable Positional Encoding for Failure Prediction
San José State University（圣何塞州立大学）
针对数据中心硬盘故障预测，提出TFBEST双方面Transformer架构，利用可学习位置编码和置信边际统计量，在Backblaze十年数据上显著优于现有RUL预测方法。
2023-09-06 cs.AI cs.LG
Fire Now, Fire Later: Alarm-Based Systems for Prescriptive Process Monitoring
Humboldt-Universität zu Berlin（柏林洪堡大学）；University of Tartu（塔尔图大学）；TU Eindhoven（埃因霍温理工大学）；University of Padua（帕多瓦大学）；Free University of Bozen-Bolzano（博尔扎诺自由大学）
预测性流程监控是一系列技术，用于分析业务流程执行期间产生的事件，以便预测正在运行的流程实例的未来状态或最终结果。该领域的现有技术能够在过程实例的每个步骤预测它将导致不期望的结果的可能性。然而，这些技术关注于生成预测，而没有规定过程工作者应该何时以及如何干预以减少不期望的结果的成本。本文提出了一种规范性过程监控的框架，它扩展了预测性监控，能够生成警报，触发干预措施，以防止不希望的结果或减轻其影响。该框架采用了一个参数化的成本模型，以评估生成警报的成本效益权衡。我们展示了如何优化生成的报警给定的事件日志过去的进程执行和一组成本模型参数。使用一系列现实生活中的事件日志对所提出的方法进行了经验评估。实验结果表明，不期望的结果的净成本可以最小化通过改变阈值生成警报，作为过程实例的进展。此外，引入触发警报的延迟，而不是在不期望的结果的概率超过阈值时立即触发警报，导致更低的净成本。
2020-10-14 cs.AI cs.LG stat.ML
Graph Grounded Cross Attention Transformer Neural Network for Structurally Constrained Full Event Sequence Generation in Predictive Process Monitoring
Department of Computer Science, University of Milan（米兰大学计算机科学系）
提出图锚定交叉注意力Transformer（GGATN），通过全局过程图作为结构化记忆、Transformer自注意力编码序列位置、图锚定交叉注意力注入过程拓扑，结合维特比式图约束解码，一次性生成完整事件序列，在六个基准日志上优于LLM基线。
2026-06-18 cs.AI cs.LG
Learning optimal policies from event logs through reinforcement learning: a comparison of deep and MDP-based approaches
FBK - Fondazione Bruno Klopfer（FBK - 基础研究机构布鲁诺·克洛普弗）；Unitn（乌迪内大学）；Unibz（博尔扎诺大学）
提出两种强化学习方法（基于MDP和离线深度RL）从历史事件日志中学习最优行为策略以优化KPI，在数据驱动的BPS环境中评估，两种方法均有效提升KPI，但基于MDP的方法计算效率更高。
2026-06-15 cs.AI
Exploring Test Time Adaptation for Subcortical Segmentation of the Fetal Brain in 3D Ultrasound
University of Oxford（牛津大学）；Nanyang Technological University（南洋理工大学）；Leiden University Medical Center（莱顿大学医学中心）；Google（谷歌公司）；QuantCo（QuantCo公司）
针对预训练模型在未见过的自由手超声容积中分割胎儿脑皮层下区域时因域偏移导致的性能下降问题，提出结合标准化图谱先验的新型测试时自适应方法，提升了多种域偏移下的分割性能，助力胎儿脑发育自动化监测。
2025-02-12 cs.AI cs.CV cs.LG
