基于检索增强生成的不期望过程行为检测
机器学习
2025-05-29 v1
摘要
一致性检查技术通过将事件日志中记录的过程执行与专用过程模型中捕获的期望行为进行比较，来检测不期望的过程行为。如果此类模型不可用，一致性检查技术便无法应用，但组织可能仍希望检测其过程中的不期望行为。为了实现这一点，现有方法使用大型语言模型 (LLM)，假设它们可以通过微调学会区分期望与不期望行为。然而，微调资源消耗极高，且微调后的 LLM 往往泛化能力不佳。为了解决这些局限性，我们提出了一种既不需要专用过程模型也不需要资源密集型微调即可检测不期望过程行为的方法。相反，我们使用检索增强生成 (RAG) 为 LLM 提供对一个知识库的直接访问，该知识库包含来自其他过程的期望与不期望过程行为，并假设 LLM 能将这些知识迁移至当前过程。我们的评估表明，我们的方法在检测不期望行为方面优于微调的 LLM，证明 RAG 是资源密集型微调的可行替代方案，特别是当其利用了来自事件日志的相关上下文（如频繁轨迹和活动）进行增强时。
引用
@article{arxiv.2505.22041,
title = {Detecting Undesired Process Behavior by Means of Retrieval Augmented Generation},
author = {Michael Grohs and Adrian Rebmann and Jana-Rebecca Rehse},
journal= {arXiv preprint arXiv:2505.22041},
year = {2025}
}
备注
Accepted at the BPM Forum, located at the International Conference on Business Process Management (BPM) 2025