基于序列到序列模型的可解释语义异常检测
人工智能
2024-07-01 v1
摘要
识别事件日志中不良行为是过程矿产中重要的方面，常由异常检测方法来处理。传统异常检测方法倾向于关注统计上罕见的行为，忽视罕见性与不良性之间的细微差别。语义异常检测的引入开辟了一条以识别语义偏差行为的前景。本工作针对语义异常检测的这一空白进行了解决，该方法通常在异常发生时指示异常发生，但未解释异常的性质。我们提出 xSemAD 方法，利用序列到序列模型超越纯识别，提供扩展解释。本质上，我们的方法从给定的过程模型存储库中学习约束，然后检查这些约束在所考察的事件日志中是否成立。该方法不仅有助于理解不良行为的具体细节，也促进了针对性的纠正措施。我们的实验表明，该方法优于现有最先进的语义异常检测方法。
引用
@article{arxiv.2406.19763,
title = {xSemAD: Explainable Semantic Anomaly Detection in Event Logs Using Sequence-to-Sequence Models},
author = {Kiran Busch and Timotheus Kampik and Henrik Leopold},
journal= {arXiv preprint arXiv:2406.19763},
year = {2024}
}
备注
Accepted at BPM 2024