.png){kind=icon}
返回
Statistical Bayesian Inference for Stochastic Process Discovery
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-05792-1_22.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随机过程发现关注的是推导出一个能够再现给定过程中观察到的事件日志的随机特性的模型。这导致了一个优化问题，在该问题中，通过日志和模型随机语言之间的相似性来搜索模型的参数空间。此类优化问题的瓶颈在于确定模型的随机语言，而现有方法通过难以扩展的精确计算方法来处理这一问题。本文介绍了一个新颖的框架，在该框架中，我们将基于模拟的贝叶斯参数推理方案（用于搜索随机模型的最优实例）与一个表达能力强的统计模型检测引擎相结合（在推理期间用于近似所考虑模型实例的语言）。由于其基于模拟的特性，其优势在于，发现模型最优实例的运行时间可以轻松换取精度，从而允许处理使用非模拟替代方法会导致运行时间过大的大型模型。我们在多个涉及现实系统的流行事件日志上验证了我们的方法。
Keyword:
Statistical model checking
Hybrid automata
Stochastic process mining
Stochastic languages
Earth Movers Distance
期刊
机构
引用论文
.png){kind=icon}
分享收藏分享收藏
查看更多内容