process mining
PulseAugur coverage of process mining — every cluster mentioning process mining across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
微调大语言模型以自动从文本生成事件日志
研究人员开发了一个新框架，该框架使用微调后的大语言模型（LLMs）从非结构化文本中自动生成结构化事件日志。这种方法解决了手动创建事件日志的瓶颈问题，而手动创建事件日志常常导致事件单和报告等文档中的宝贵组织知识未被充分利用。通过在新的文本到日志数据集上微调LLMs，模型可以提取高保真事件日志，其性能显著优于零样本或少样本提示，并使以前无法访问的数据可用于流程挖掘。
-
微调大语言模型以从文本自动生成流程挖掘日志
研究人员开发了一个新的框架，使用大语言模型（LLMs）从非结构化文本自动生成结构化事件日志。该方法解决了手动创建事件日志的瓶颈问题，而事件日志对于流程挖掘至关重要。通过在自定义文本到日志数据集上微调LLMs，模型可以从事件单和报告等来源提取高保真事件数据，其性能远超零样本或少样本提示。
-
新的SPECpp框架自动化流程挖掘中的Petri网发现
研究人员推出SPECpp，一个用于发现Petri网的新框架，Petri网用于建模复杂流程。与依赖预定义结构的传统自上而下方法不同，SPECpp采用自下而上的方法，允许并发和自由选择结构等复杂行为有机地出现。该框架通过实施策略来高效生成高质量模型，解决了候选节点数量呈指数级增长的挑战，并通过合成和真实数据实验进行了验证。
-
新框架对过程挖掘模型进行分组以减少重复
提出了一种新框架来应对过程挖掘中的模型爆炸和重复挑战。该框架旨在对局部过程模型（LPM）进行分组，并从每个组中选择代表性模型形成最优样本。该方法使用既定指标或通过比较模型在事件日志中的上下文外观来衡量模型之间的相似性，这些日志是从日志中的数据属性派生出来的。通过在多个事件日志中与仅由得分最高的 LPM 组成的样本进行重复和覆盖率的比较，证明了这种分组策略的有效性。
-
比较强化学习方法以优化业务流程
一篇新的研究论文探讨了使用强化学习为规范性流程监控学习最优策略。该研究将使用马尔可夫决策过程（MDP）的基于模型的方法与无模型深度强化学习（DRL）方法进行了比较。这两种技术都旨在直接从历史事件数据中学习干预策略，最大限度地减少对领域知识的需求，并处理涉及外部参与者的情况。虽然两种方法在改进关键绩效指标（KPI）方面都显示出相似的有效性，但发现基于MDP的方法在计算效率方面更高。