.png){kind=icon}
返回
Enhancing explainability in process variant analysis: a framework for detecting and interpreting control-flow changes
.png){kind=icon}
OA
AI
DOI：10.1007/s10270-025-01321-1.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
流程通常表现出显著的可变性，这对流程发现和洞察提取构成了挑战。尽管大多数研究侧重于检测随时间变化的可变性（例如概念漂移），但控制流可变性也可以在其他维度上体现，如案例持续时间或性能指标。识别和理解这些变化对于发现低效和不良行为至关重要。本文介绍了一种新颖的框架，该框架结合了跨性能维度的控制流变化检测与可解释性，提供了关于控制流在何处以及如何演变的见解。该框架采用滑动窗口方法，并使用地球移动距离来检测行为转变。为了增强可解释性，将事件日志编码到一个由声明性约束定义的特征空间中，以捕捉直观的控制流属性。对这些特征进行聚类，可以揭示不同的行为模式及其沿性能维度的演变，并将检测到的变化与特定的流程动态联系起来。我们使用三个真实的事件日志（包括来自荷兰UWV员工保险机构的日志）验证了该框架，展示了其发现有意义变化、解释流程可变性并支持数据驱动决策的能力。该框架已实现为开源工具，以扩大其适用性。
Keyword:
Process mining
Process comparison
Business process improvement
Explainable process analysis
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
S
IF:
3.2
论文数:
61
被引数:
1.9K
机构
引用论文
.png){kind=icon}
查看更多内容