.png){kind=icon}
返回
TGCAE: temporal graph convolutional autoencoder for robust anomaly detection in object-centric process mining
.png){kind=icon}
PRE
AI
DOI：10.1007/s00607-026-01745-7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着机器学习与控制论技术在业务流程管理（BPM）中的深度融合，面向对象中心流程挖掘的鲁棒异常检测对于提升企业运营效率和质量至关重要。现有异常检测方法主要依赖扁平化事件日志，忽视了多对象交互及其复杂依赖关系，从而限制了其建模复杂业务流程的能力。相比之下，对象中心事件日志（OCELs）将事件与多个对象关联，能够建模现实流程中固有的多对象交互和复杂依赖。然而，当前的基于图神经网络（GNN）的异常检测方法主要关注结构特征，而忽略了流程执行的关键时间动态。为弥合这一差距，本文提出了一种时序图卷积自编码器（TGCAE）用于面向对象中心流程挖掘的鲁棒异常检测。TGCAE通过图卷积网络（GCNs）有效捕捉流程执行实例间的结构依赖，并集成专有时序编码器与自适应门控机制以建模复杂时间模式。在异常检测方面，采用基于数据驱动的四分位距（IQR）方法自适应确定决策阈值，实现对事件日志中三种典型异常类型（属性操纵、时间戳扰动和活动插入）的精确识别。在真实与合成数据集上的全面实验表明，TGCAE显著优于传统自编码器（AE）、长短期记忆自编码器（LSTMAE）和图卷积自编码器（GCNAE）基线方法，验证了时空信息融合对鲁棒异常检测的有效性。
Keyword:
Object-centric event log
Process mining
Anomaly detection
Temporal graph convolutional autoencoder
期刊
C
IF:
2.8
论文数:
2.3K
被引数:
3.5K
机构
引用论文
Graph Anomaly Detection With Graph Neural Networks: Current Status and Challenges基于图神经网络的图异常检测: 现状与挑战.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Fuzzy rule-based anomaly detectors construction via information granulation通过信息粒化构建基于模糊规则的异常检测器
PREAI
分享收藏Anomaly detection in business processes using process mining and fuzzy association rule learningJOURNAL OF BIG DATA
OAAI
JOURNAL OF BIG DATAIF6.4
OAAI分享收藏分享收藏Rethinking Discrepancy Analysis: Anomaly Detection via Meta-Learning Powered Dual-Source Representation Differentiation重新思考差异分析: 通过元学习驱动的双源表示差异进行异常检测
PREAI
分享收藏Control-flow anomaly detection by process mining-based feature extraction and dimensionality reduction基于流程挖掘的特征提取与降维的流程控制异常检测OAAI
OAAI分享收藏Anomaly detection using spatial and temporal information in multivariate time series基于多变量时间序列时空信息的异常检测SCIENTIFIC REPORTSOAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏
查看更多内容