一致性检查是一种过程挖掘技术，允许验证过程实例与给定模型的符合性。因此，该技术被预定在医学环境中用于将治疗案例与临床准则进行比较。但是，医学过程是高度可变，高度动态和复杂的。这使得难以在医疗领域中使用命令性一致性检查方法。研究表明，声明性方法可以更好地解决这些特征。但是，这些方法尚未获得实际接受。另一个挑战是对齐，通常不会从医学角度增加任何价值。因此，我们在案例研究中调查了HL7标准Arden语法对于宣言性，基于规则的符合度检查和使用手动建模的对齐方式的可用性。使用该方法，可以检查治疗案例的一致性，并为医疗指南的大部分地区创建有意义的对齐方式。

流程挖掘的学科在医疗保健领域成功应用程序具有可靠的记录。在这样的研究领域，我们进行了与德国Uniklinik Aachen医院重症监护病房（ICU）病房有关的案例研究。这项工作的目的是双重的：开发一个规范模型，该模型代表了COVID-19患者治疗的临床指南，并分析观察到的行为（记录在医院的信息系统中）对此类准则的依从性。我们表明，通过一致性检查技术，可以分析COVID-19患者的护理过程，并强调与临床准则的主要偏差。结果为医生提供了改善过程并确保服务质量和患者满意度的有用指示。我们将结果模型作为开源BPMN文件共享。

在过程挖掘中，发现技术使从事件日志自动构建业务流程模型成为可能。但是，结果通常无法达到模型复杂性及其拟合精度之间的平衡，因此需要进行手动模型调整。该论文提出了一种方法开采的方法，该方法基于模型复杂性和适应性的组合评估为模型优化提供半自动支持。为了在两种成分之间取得平衡，提出了一种模型简化方法，该方法基本上在所需的粒度下抽象了原始模型。此外，我们介绍了一个元态的概念，该元素的周期崩溃了，该循环可以潜在地简化模型并解释模型。我们旨在使用来自医疗保健领域不同应用程序的三个数据集证明技术解决方案的功能。它们是针对COVID-19大流行期间动脉高血压和医疗保健工作人员工作流动的患者的远程监测过程。案例研究还调查了各种复杂性度量和解决方案应用方式的使用，从而提供了有关改善过程模型中改善可解释性和复杂性/适应性平衡的更好实践的见解。

Prescriptive Process Monitoring systems recommend, during the execution of a business process, interventions that, if followed, prevent a negative outcome of the process. Such interventions have to be reliable, that is, they have to guarantee the achievement of the desired outcome or performance, and they have to be flexible, that is, they have to avoid overturning the normal process execution or forcing the execution of a given activity. Most of the existing Prescriptive Process Monitoring solutions, however, while performing well in terms of recommendation reliability, provide the users with very specific (sequences of) activities that have to be executed without caring about the feasibility of these recommendations. In order to face this issue, we propose a new Outcome-Oriented Prescriptive Process Monitoring system recommending temporal relations between activities that have to be guaranteed during the process execution in order to achieve a desired outcome. This softens the mandatory execution of an activity at a given point in time, thus leaving more freedom to the user in deciding the interventions to put in place. Our approach defines these temporal relations with Linear Temporal Logic over finite traces patterns that are used as features to describe the historical process data recorded in an event log by the information systems supporting the execution of the process. Such encoded log is used to train a Machine Learning classifier to learn a mapping between the temporal patterns and the outcome of a process execution. The classifier is then queried at runtime to return as recommendations the most salient temporal patterns to be satisfied to maximize the likelihood of a certain outcome for an input ongoing process execution. The proposed system is assessed using a pool of 22 real-life event logs that have already been used as a benchmark in the Process Mining community.

业务流程偏差是指业务流程执行的子集的现象，以消极或积极的方式偏离{他们的预期或理想的结果。业务流程的偏差执行包括违反合规规则的人，或者欠冲前或超过绩效目标的执行。偏差挖掘涉及通过分析支持业务流程的系统存储的事件日志来揭示揭示异常执行的原因。在本文中，首先通过基于顺序和声明模式模式的特征和它们的组合来研究解释业务流程的偏差问题。然后，通过基于纯数据属性值和数据感知声明规则利用事件日志中的事件日志和迹线的数据属性来进一步提高说明。然后通过用于规则感应的直接和间接方法来提取表征消化的解释。使用来自多个域的实际日志，根据他们准确地区分过程的非偏差和异常执行能力以及决赛的可理解性的能力来评估一系列特征类型和不同形式的决策规则。返回给用户的结果。

概念漂移过程挖掘（PM）是一种挑战，因为古典方法假设进程处于稳态，即事件共享相同的进程版本。我们对这些领域的交叉点进行了系统的文献综述，从而审查了过程采矿中的概念漂移，并提出了用于漂移检测和在线流程挖掘的现有技术的分类，以实现不断发展的环境。现有的作品描绘了（i）PM仍然主要关注离线分析，并且（ii）由于缺乏公共评估协议，数据集和指标，过程中的概念漂移技术的评估是麻烦的。

迄今为止，业务流程监测方法主要集中在监控单个过程模型的情况下监控进程的执行。但是，在某些情况下，有必要同时考虑多个过程规范。此外，这些规范可以是程序，声明性或两者的组合。例如，在医学结构域中，描述特定疾病治疗的临床指南不能考虑任何可以对特定患者共存的所有可能的共同因素，因此可能需要考虑额外的约束。在某些情况下，这些限制可能与临床指南不相容，因此要求违反指导方针或限制。在本文中，我们提出了一种监测混合过程规范的相互作用的解决方案，表示为（数据感知）Petri网和时间逻辑规则的组合。在流程执行期间，如果这些规范彼此冲突，则可以违反其中一些。监控系统配备了违规成本模型，系统可以以避免可能违规或最小化违规成本的方式推荐下一步行动。

用户交互（UI）日志是高分辨率事件日志，在信息系统中执行任务期间，用户执行的低级活动记录了低级活动。 UI日志中的每个事件都对应于用户和接口之间的单个交互，例如单击按钮或将字符串输入文本字段。 UI日志用于诸如任务挖掘或机器人过程自动化（RPA）之类的目的，但是每个研究和工具都依赖于构成用户交互的元素和属性的不同概念化和实现。缺乏标准化使得很难整合来自不同来源的UI日志，并将UI数据收集工具与下游分析或自动化解决方案相结合。为了解决这个问题，我们为与过程相关的UI日志提出了一个普遍适用的参考数据模型。基于对科学文献和行业解决方案的综述，该模型包括UI日志的核心属性，但在范围，抽象水平和案例概念方面仍然灵活。我们提供该模型的实现，以扩展事件日志的XES互换标准，并在现实生活中的RPA方案中演示其实际适用性。

本文介绍了一种使用旨在解决现实世界应用中CDSS的低适用性和可扩展性问题的数据驱动的预测模型来构建一致和适用的临床决策支持系统（CDSS）的方法。该方法基于域特定和数据驱动的支持程序的三种特定于域和数据驱动的支持程序，该程序将被纳入临床业务流程，具有更高的信任和预测结果和建议的解释性。在考虑的三个阶段，监管策略，数据驱动模式和解释程序被集成，以实现与决策者的自然域特定的互动，具有智能决策支持焦点的连续缩小。该提出的方法能够实现更高水平的自动化，可扩展性和CDSS的语义解释性。该方法是在软件解决方案中实现的，并在T2DM预测中进行了测试，使我们能够改善已知的临床尺度（例如FindRisk），同时保持与现有应用程序类似的特定问题的推理界面。这种继承与三分阶段的方法一起提供了更高的解决方案兼容性，并导致数据驱动的解决方案在现实案件中的信任，有效和解释应用。

本文介绍了逻辑代理的运行时间自检的全面框架，通过时间公理进行动态检查。通过使用定义为此目的的代理导向的间隔时间逻辑来指定这些公理。我们为此新逻辑定义了语法，语义和语用，专门针对代理的应用程序定制。在由此产生的框架中，我们包括并扩展过去的工作。

一致性检查技术使我们能够评估某些表现出的行为，以一系列受监视的事件表示，符合指定的过程模型。现代监测和活动识别技术，例如依靠传感器，物联网，统计和AI的技术，可以产生大量相关的事件数据。但是，与符合检查算法所需的确定性事件对数的假设相反，该数据通常以噪声和不确定性为特征。在本文中，我们将基于对齐的一致性检查扩展到概率事件日志下的功能。我们介绍了一个概率痕量模型和对齐成本函数，以及一个自定义阈值参数，该参数控制事件数据与过程模型的信任水平。与传统比对相比，在存在足够高的可能性的对齐事件的情况下，所得算法得出的适应性得分提高，因此假阳性偏差较少。我们从形式和直观的角度来解释算法及其动机，并与使用一组理论示例相比，证明了其功能与确定性对齐相比。

高数据质量对于当今基于AI的系统至关重要。但是，尽管数据质量一直是研究的对象，但显然缺乏对潜在数据质量问题的研究（例如，模棱两可的，无关的价值）。这些问题本质上是潜在的，因此通常不明显。然而，它们可能与基于AI的系统（例如技术债务，数据引起的故障）的未来问题的风险增加有关。作为软件工程中代码气味的对应物，我们指的是数据气味的问题。本文概念化了数据的气味，并在基于AI的系统的背景下的原因，后果，检测和使用。此外，出现了36个数据气味的目录，分为三类（即可信度的气味，可理解的气味，一致性的气味）。此外，该文章概述了用于检测数据气味的工具支持，并提出了240多个现实世界数据集中初始气味检测的结果。

过程发现是一种技术系列，有助于从其数据足迹中理解流程。然而，随着过程随着时间的变化而变化，它们的相应模型也应导致模型不足或过度陈酿的行为。我们提出了一种发现算法，该算法将声明过程从事件流中提取为动态条件响应（DCR）图。监视流以生成过程的时间表示，后来处理以生成声明模型。我们通过定量和定性评估验证了该技术。对于定量评估，我们采用了扩展的JACCARD相似性度量，以说明声明环境中的过程变化。对于定性评估，我们展示了该技术确定的变化如何对应于现有过程中的实际变化。可以在线获得测试的技术和数据。

业务流程的自动化和数字化导致信息系统中捕获的大量数据，这可以帮助企业更好地理解其流程，改善工作流或提供运营支持。通过对正在进行的过程进行预测，可以识别瓶颈并重新分配资源，以及在过程实例的状态（案例）中获得的见解。传统上，数据是以带有单个识别案例概念的事件日志的形式从系统中提取的，例如用于现金订单（O2C）流程的订单ID。但是，实际过程通常具有多种对象类型，例如订单，项目和软件包，因此强制使用单个案例概念的格式不会反映数据中的基本关系。引入了以对象为中心的事件日志（OCEL）格式，以正确捕获此信息。最先进的预测方法仅根据传统事件日志量身定制。该论点表明，可以使用OCEL中包含的丰富数据来增强一种利用生成对抗网络（GAN），长期记忆（LSTM）体系结构（SEQ2SEQ）的预测方法。 OCEL中的对象可以具有可用于预测下一个事件和时间戳的属性，例如对于对象类型包的优先类属性，指示速度较慢或更快地处理。在预测剩余事件的序列相似性和时间戳的平均绝对误差（MAE）的指标中，本文中的方法匹配或超过了先前的研究，具体取决于所选对象属性是否是模型的有用特征。此外，本文提供了一个Web界面，以预测用户输入中的下一个活动序列。

预测过程分析已成为组织的基本援助，从而为其流程提供在线运营支持。但是，需要向流程利益相关者提供解释为什么预测给定流程执行以某种方式行事的原因。否则，他们将不太可能相信预测性监测技术，从而采用它。本文提出了一个预测分析框架，该框架还具有基于Shapley值的游戏理论的解释功能。该框架已在IBM Process采矿套件中实施，并为业务用户商业化。该框架已在现实生活事件数据上进行了测试，以评估预测的质量和相应的评估。特别是，已经执行了用户评估，以了解系统提供的解释是否可以使流程利益相关者可理解。

如今，人工智能（AI）已成为临床和远程医疗保健应用程序的基本组成部分，但是最佳性能的AI系统通常太复杂了，无法自我解释。可解释的AI（XAI）技术被定义为揭示系统的预测和决策背后的推理，并且在处理敏感和个人健康数据时，它们变得更加至关重要。值得注意的是，XAI并未在不同的研究领域和数据类型中引起相同的关注，尤其是在医疗保健领域。特别是，许多临床和远程健康应用程序分别基于表格和时间序列数据，而XAI并未在这些数据类型上进行分析，而计算机视觉和自然语言处理（NLP）是参考应用程序。为了提供最适合医疗领域表格和时间序列数据的XAI方法的概述，本文提供了过去5年中文献的审查，说明了生成的解释的类型以及为评估其相关性所提供的努力和质量。具体而言，我们确定临床验证，一致性评估，客观和标准化质量评估以及以人为本的质量评估作为确保最终用户有效解释的关键特征。最后，我们强调了该领域的主要研究挑战以及现有XAI方法的局限性。

通过分析大量数据来提供决策支持，大数据正在改革许多工业域。大数据测试旨在确保大数据系统在维护数据的性能和质量时运行平稳且无错误。但是，由于数据的多样性和复杂性，测试大数据具有挑战性。虽然众多研究对大数据测试进行了综合审查，但解决了测试技术和挑战的综合性尚未混淆。因此，我们对大数据测试技术（2010年 - 2021年）进行了系统审查。本文通过突出显示每个处理阶段的技术来讨论测试数据的处理。此外，我们讨论了挑战和未来的方向。我们的发现表明，已经使用不同的功能，非功能性和组合（功能和非功能性）测试技术来解决与大数据相关的特定问题。同时，在MapReduce验证阶段，大多数测试挑战都面临。此外，组合测试技术是与其他技术相结合的应用技术之一（即随机测试，突变测试，输入空间分区和等价测试），以解决在大数据测试期间面临的各种功能故障挑战。

自主机器人结合了各种技能，形成越来越复杂的行为，称为任务。尽管这些技能通常以相对较低的抽象级别进行编程，但它们的协调是建筑分离的，并且经常以高级语言或框架表达。几十年来，州机器一直是首选的语言，但是最近，行为树的语言在机器人主义者中引起了人们的关注。行为树最初是为计算机游戏设计的，用于建模自主参与者，提供了基于树木的可扩展的使命表示，并受到支持支持模块化设计和代码的重复使用。但是，尽管使用了该语言的几种实现，但对现实世界中的用法和范围知之甚少。行为树提供的概念与传统语言（例如州机器）有何关系？应用程序中如何使用行为树和状态机概念？我们介绍了对行为树中关键语言概念的研究及其在现实世界机器人应用中的使用。我们识别行为树语言，并将其语义与机器人技术中最著名的行为建模语言进行比较。我们为使用这些语言的机器人应用程序挖掘开源存储库并分析此用法。我们发现两种行为建模语言在语言设计及其在开源项目中的用法之间的相似性方面，以满足机器人域的需求。我们为现实世界行为模型的数据集提供了贡献，希望激发社区使用和进一步开发这种语言，相关的工具和分析技术。

我们提出答案集编程（ASP），作为宣言过程挖掘区域（DPM）领域建模和解决问题的方法。我们在这里考虑三个经典问题，即日志生成，一致性检查和查询检查。这些问题都是从控制流和数据感知的角度解决的。该方法基于过程规范为（有限状态）自动机的表示。由于它们比事实上的DPM标准规范语言声明更严格地表达，因此可以处理比典型的DPM的规格，例如有限痕迹的线性时间逻辑中的公式。（在第36届AAAI人工智能会议会议记录中提供完整版）。

现实生活过程的日志通常具有与记录的时间戳，数据值和/或事件有关的不确定性。我们考虑检查不确定日志与数据吸引参考过程的不确定日志的问题。具体来说，我们展示了如何通过SMT编码来解决它，从而将基于数据感知的SMT符合性检查的先前工作提升为更复杂的设置。我们的方法是模块化的，因为它同质可容纳不同类型的不确定性。此外，使用适当的成本功能，可以解决不同的符合性检查任务。我们通过概念验证实施来展示我们的方法的正确性，并见证了可行性。