SKTR：从随机已知日志中恢复轨迹
机器学习
2023-07-31 v3 人工智能
摘要
机器学习的发展与传感器数据使用的增加挑战了对确定性日志的依赖，需要对不确定、特别是随机已知日志新的过程挖掘方案。本文中我们形式化了轨迹恢复(trace recovery)任务，即从随机已知日志生成尽可能忠实于现实的确定性日志。有效的轨迹恢复算法将是维护不确定环境下可信过程挖掘工具的强力辅助。我们提出了该任务的一种算法框架，可恢复随机已知日志与过程模型间的最佳对齐，具有三个创新特征。我们的算法 SKTR：1) 处理马尔可夫与非马尔可夫过程；2) 根据可用的过程信息、传感器质量与机器学习预测能力，提供过程模型与日志间基于质量的平衡；3) 创新地使用同步乘积多图来创建日志。使用五个公开数据集（其中三个基于标准视频捕获基准上的预测模型）的实证分析显示，相较常见基线平均相对准确率提升超过 10。
引用
@article{arxiv.2206.12672,
title = {SKTR: Trace Recovery from Stochastically Known Logs},
author = {Eli Bogdanov and Izack Cohen and Avigdor Gal},
journal= {arXiv preprint arXiv:2206.12672},
year = {2023}
}
备注
Submitted version -- Accepted to the 5th International Conference on Process Mining (ICPM), 2023