.png){kind=icon}
返回
Enhancing Process Discovery by Optimizing Imprecise Sub-Processes
.png){kind=icon}
PRE
AI
DOI：10.1109/TSC.2026.3652280.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
过程发现旨在推导出一个能够准确表示事件日志中观测行为的流程模型。作为当前先进的过程发现技术，归纳挖掘器（Inductive Miner, IM）在生成无死锁（即健全）的流程模型的同时，确保最优的重放拟合度。然而，IM有时会产生过度泛化的流程模型，包含局部不精确的结构，常导致所谓的“花状结构”的产生。为解决此局限性，本文提出了一种新型技术，通过优化IM生成的流程模型中的不精确子流程来对其进行精炼。具体而言，该技术首先识别并提取初始IM生成的流程模型中不精确子流程对应的子日志。然后，运用应用于子日志的基于频率的过滤机制，对这些不精确子流程进行迭代优化。优化完成后，将初始流程模型中的不精确子流程替换为优化后的子流程，生成一组候选流程模型。最后，根据拟合度和精确度选择质量最佳的候选模型作为最终的优化流程模型。所提出的技术已作为插件实现于开源流程挖掘平台ProM。通过使用10个公开可用的真实事件日志与当前先进的过程发现技术进行比较，实验结果表明，所提出的方法相较于其IMi变体，在F-measure指标上实现了0.173的平均绝对提升，同时与其他当前先进方法相比也展现出有竞争力的性能。
Keyword:
Process mining
process discovery
inductive miner
sub-process optimization
Petri nets
期刊
IF:
5.8
论文数:
2.2K
被引数:
6.5K
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容