xSemAD: Explainable Semantic Anomaly Detection in Event Logs Using Sequence-to-Sequence Models

在过程挖掘中，识别事件日志中的不良行为是一个重要的方面，通常通过异常检测方法来解决。传统的异常检测方法往往聚焦于统计上的罕见行为，并忽略了罕见和不良之间的微妙差异。引入语义异常检测开辟了一个有前途的途径，通过识别语义上偏离正常的行为。本文解决了语义异常检测中的一个问题，即通常只指示异常事件的发生，而不解释异常的本质。我们提出了一种名为xSemAD的方法，使用序列到序列模型，超越了纯识别，提供了扩展解释。本质上，我们的方法从给定的过程模型库中学习约束条件，然后检查这些约束条件在考虑的事件日志中是否成立。这种方法不仅有助于理解不良行为的具体情况，而且有助于有针对性的纠正措施。我们的实验表明，我们的方法优于现有的最先进的语义异常检测方法。

本论文试图解决语义异常检测中仅能指出异常事件而无法解释异常性质的问题。

本文提出了一种基于序列到序列模型的语义异常检测方法xSemAD，该方法从给定的过程模型库中学习约束条件，然后检查这些约束条件在考虑的事件日志中是否成立。该方法不仅有助于理解异常行为的具体细节，还有助于进行有针对性的纠正措施。

本文的实验表明，xSemAD方法优于现有的语义异常检测方法。本文的方法不仅能够发现异常行为，还能够提供扩展解释，以帮助理解异常性质和进行有针对性的纠正措施。

最近的相关研究包括基于统计的异常检测方法和基于语义的异常检测方法。其中，本文的方法属于基于语义的异常检测方法。