用概率归纳 miner 在准确性与简洁性间达成新平衡
软件工程
2021-09-15 v1
摘要
现有众多过程发现技术用于生成描述业务流程已记录执行的过程模型。这些模型旨在将执行泛化为人类可理解的建模模式（尤其是并行性），并支持对过程偏差的严格分析。然而，现有技术返回的具有并行性的定义良好的模型往往过于复杂，或对记录行为的泛化过强，以致在实际业务环境中难以信赖。我们通过引入基于归纳 miner 框架的概率归纳 miner（PIM）来弥合这一差距。PIM在每一步基于数据中的频率信息比较最可能算符与结构，从而产生块结构模型且准确性显著更高。PIM中的所有设计选择均基于通过针对工业过程挖掘专家的用户研究获得的业务上下文需求。PIM经过定量评估，以及一种比较用户对发现模型结构信任度的新型实证研究。评估表明，PIM在模型准确性与模型复杂性之间实现了独特的权衡，并被用户一致偏好于所有最先进的过程发现方法。
引用
@article{arxiv.2109.06288,
title = {Striking a new balance in accuracy and simplicity with the Probabilistic Inductive Miner},
author = {Dennis Brons and Roeland Scheepens and Dirk Fahland},
journal= {arXiv preprint arXiv:2109.06288},
year = {2021}
}
备注
accepted at IEEE International Conference on Process Mining (ICPM) 2021, submitted version