Object-centric Business Process Anomaly Detection via Graph Neural Networks

核心概念

Object-centric process mining combined with Graph Neural Networks offers a novel approach for detecting anomalies in business processes.

摘要

• Traditional process mining focuses on sequential event logs, leading to anomalies.
• Object-centric process mining allows events to be related to multiple cases.
• A novel framework using Graph Neural Networks detects anomalies in business processes.
• Results show promising performance in detecting anomalies at the activity type and attributes level.
• Struggles to detect anomalies in the temporal order of events.
• Data preprocessing involves reconstructing process instances and encoding input graphs.
• GCNAE architecture uses graph convolutional networks for anomaly detection.
• IQR heuristic is applied for automatic thresholding and anomaly labeling.
• Experiments compare the GCNAE approach with baselines on synthetic and real event logs.
• GCNAE outperforms baselines in anomaly detection.
• Challenges in detecting anomalies related to temporal shifts.
• Future work includes exploring GNN architectures for better anomaly detection.

統計資料

"Our results show that our approach provides promising performance in detecting anomalies at the activity type and attributes level."
"Our approach does not rely on prior information about the process model, contamination rate, or a clean training set."

引述

"Object-centric process mining avoids limitations by allowing events to be related to different cases."
"Our approach does not rely on prior information about the process model, contamination rate, or a clean training set."

從以下內容提煉的關鍵洞見

Detecting Anomalous Events in Object-centric Business Processes via Graph Neural Networks

by Alessandro N... 於 arxiv.org 03-05-2024

https://arxiv.org/pdf/2403.00775.pdf

深入探究

How can the GCNAE approach be further improved to detect anomalies in the temporal order of events

GCNAE 접근 방식을 향상시켜서 이벤트의 시간 순서에 대한 이상을 감지하는 데는 몇 가지 방법이 있습니다. 먼저, GCNAE 아키텍처를 수정하여 이벤트 간의 시간적 종속성을 더 잘 캡처할 수 있는 방식으로 개선할 수 있습니다. 이를 위해 이벤트 간의 시간적 관계를 더 잘 반영하는 특성을 모델에 통합할 수 있습니다. 또한, GCNAE의 학습 알고리즘을 조정하여 시간적 순서를 더 잘 고려하도록 할 수 있습니다. 예를 들어, 이벤트 간의 시간 간격을 고려하여 이벤트의 순서를 더 잘 파악하도록 모델을 조정할 수 있습니다.

What are the potential challenges of applying GNNs to object-centric event logs for anomaly detection

객체 중심 이벤트 로그에 GNN을 적용하여 이상을 감지하는 것에는 몇 가지 잠재적인 도전이 있습니다. 첫째, 객체 중심 이벤트 로그는 그래프 구조를 가지고 있기 때문에 그래프 신경망 모델을 효과적으로 학습시키기 위해 적절한 그래프 구조를 설계하는 것이 중요합니다. 또한, 객체 중심 이벤트 로그는 다양한 유형의 객체와 이벤트 간의 관계를 포함하므로 데이터의 복잡성과 다양성을 고려해야 합니다. 또한, 이러한 데이터 구조를 처리하고 모델링하는 데 필요한 계산 및 자원이 많을 수 있습니다.

How can the concept of object-centric process mining be extended to detect anomalies in complex business processes

객체 중심 프로세스 마이닝 개념을 복잡한 비즈니스 프로세스에서 이상을 감지하는 데 확장하는 방법은 다양한 방법이 있습니다. 먼저, 다양한 유형의 객체 및 이벤트 간의 관계를 더 깊이 파악하고 이를 기반으로 이상을 감지하는 알고리즘을 개발할 수 있습니다. 또한, 복잡한 비즈니스 프로세스에서 발생할 수 있는 다양한 유형의 이상을 식별하기 위해 객체 간의 상호 작용을 고려하는 방법을 개발할 수 있습니다. 이를 통해 보다 포괄적이고 효과적인 이상 감지 시스템을 구축할 수 있습니다.