神经符号流程异常检测

流程异常检测是流程挖掘的一个重要应用，用于识别流程行为的偏差。基于神经网络的方法最近被应用于此任务，直接从事件日志中学习而无需预定义的流程模型。然而，由于异常检测纯粹是一个统计任务，这些模型未能纳入人类领域知识。因此，罕见但符合规范的轨迹经常被误分类为异常，因为它们的频率低，这限制了检测过程的有效性。神经符号AI领域的最新发展引入了逻辑张量网络（LTN），作为一种使用实值逻辑将符号知识集成到神经网络中的手段。在这项工作中，我们提出了一种神经符号方法，使用LTN和Declare约束将领域知识集成到神经网络异常检测中。以自编码器模型为基础，我们将Declare约束编码为学习过程中的软逻辑引导信号，以区分异常行为和罕见但符合规范的行为。在合成和真实数据集上的评估表明，即使只有10个符合规范的轨迹存在，我们的方法也能提高F1分数，并且Declare约束的选择以及由此延伸的人类领域知识显著影响性能提升。