Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightDeneysel sonuçlar, xLSTM-AE'nin 5 veri kümesinde en tutarlı ve sağlam mimari olduğunu, hem iz düzeyinde hem de olay düzeyinde anomali tespitinde en yüksek ortalama F1 puanını verdiğini göstermektedir.
📌 3 Maddede Bu Makale
Özet
İş Süreci Anomali Tespiti (BPAD), kuruluşların süreçlerindeki, genellikle ciddi verimsizlikleri ve kötü niyetli faaliyetleri gösteren sapmaları ortaya çıkarmalarına yardımcı olabilen bir uygulamadır. Bu çalışmada, BPAD alanında kullanım için gözetimsiz Otokoderlerin (AE) inşası için Genişletilmiş Uzun-Kısa Dönemli Bellek (xLSTM) olarak adlandırılan yeni bir Yinelemeli Sinir Ağı (RNN) türünden yararlanıyoruz. Çalışmamız, xLSTM mimarisini üç ana akım RNN mimarisiyle sistematik olarak karşılaştırmaktadı: Uzun-Kısa Dönemli Bellek (LSTM), Kapılı Yinelemeli Birim (GRU) ve Dönüştürücü, mimarinin anomali tespiti performansı üzerindeki etkisini değerlendirir. Karşılaştırılabilirliği sağlamak için, her örneklenen model aynı yapı ve hiperparametrelerle oluşturulur, yalnızca çekirdek yinelemeli veya öz-dikkat bloklarında farklılık gösterir ve uygulanabilir olduğunda çok başlı dikkate ek olarak çift yönlülük ile ve çift yönlülük olmadan değerlendirilir. Deneysel sonuçlar, xLSTM-AE'nin 5 veri kümesinde en tutarlı ve sağlam mimari olduğunu, hem iz düzeyinde hem de olay düzeyinde anomali tespitinde en yüksek ortalama F1 puanını verdiğini göstermektedir.
Abstract
Business Process Anomaly Detection (BPAD) is an application that can help organizations uncover deviations in their processes, which often indicate severe inefficiencies and malicious activity. In this study, we leverage a new type of Recurrent Neural Network (RNN) referred to as Extended Long-Short Term Memory (xLSTM) for the construction of unsupervised Autoencoders (AE) for use in the BPAD domain. Our study systematically compares the xLSTM architecture against three mainstream RNN architectures: Long-Short Term Memory (LSTM), Gated Recurrent Unit (GRU), and Transformer, evaluating the architectural impact on anomaly detection performance. To ensure comparability, each instantiated model is constructed with an identical structure and hyperparameters, differing only in the core recurrent or self-attention blocks and evaluated with and without bidirectionality in addition to multi-head attention where applicable. The empirical results demonstrate the xLSTM- AE to be the most consistent and robust architecture across 7 datasets, yielding the highest mean F1-scores of 0.476 and 0.258, on both trace-level and event-level anomaly detection.