数据是喜怒无常的：从流程事件日志中发现数据修改规则
机器学习
2023-12-25 v1
摘要
尽管事件日志是深入了解底层业务流程行为的强大来源，但现有工作主要关注在事件日志的活动序列中寻找模式，而忽略了事件属性数据。事件属性数据主要用于预测事件发生和流程结果，但现有技术忽略了挖掘关于事件属性数据在流程执行期间如何变化的简洁且可解释的规则。子群发现和基于规则的分类方法缺乏捕捉事件日志中存在的序列依赖性的能力，因此导致结果不令人满意，对流程行为的洞察有限。给定一个事件日志，我们有兴趣找到准确但简洁且可解释的关于流程如何修改数据的if-then规则。我们根据最小描述长度（MDL）原则形式化该问题，通过该原则我们选择对数据具有最佳无损描述的模型。此外，我们提出了贪婪的Moody算法来高效搜索规则。通过在合成数据和真实数据上的大量实验，我们表明Moody确实找到了紧凑且可解释的规则，需要很少的数据即可准确发现，并且对噪声具有鲁棒性。
引用
@article{arxiv.2312.14571,
title = {Data is Moody: Discovering Data Modification Rules from Process Event Logs},
author = {Marco Bjarne Schuster and Boris Wiegand and Jilles Vreeken},
journal= {arXiv preprint arXiv:2312.14571},
year = {2023}
}