Akademik Künye
Bu yazı, aşağıda künyesi verilen hakemli çalışmanın özetidir.
- Makale
- Multi-Aspect Anomaly Detection with Graph Neural Networks and Kolmogorov-Arnold Networks in Business Process Management
- Yazarlar
- Teoman Berkay Ayaz; Ege Gülce; Stanley Hsu; Alper Özcan; Akhan Akbulut
- Sunulduğu etkinlik
- 2024 9th International Conference on Computer Science and Engineering (UBMK), Antalya, Türkiye, 26–28 Ekim 2024 — IEEE bildiri kitabı
- Sayfa
- 557–562
- Yayın tarihi
- 26.10.2024
- DOI
- 10.1109/ubmk63289.2024.10773550 — Yayıncı sayfası
İş süreçlerinde basit bir verimsizlikten sahtekârlığa kadar uzanan sapmalar, bir kuruluşun kârlılığını ve rekabet gücünü zedeleyebilir. İş Süreci Yönetimi (BPM) çözümlerinin yaygınlaşmasıyla biriken süreç olay kayıtları, bu sapmaları otomatik olarak yakalamak için elverişli bir zemin oluşturuyor. Next4biz Ar-Ge ekibinin bu bildirisi, tam da bu kayıtlar üzerinden anomali tespitini hedefliyor.
Çalışmada süreç izleri (trace) graf olarak temsil ediliyor ve kenar koşullu evrişimlerle (Edge-Conditioned Convolution) kurulan bir graf otokodlayıcı (GAE) kullanılıyor. Asıl yenilik, kod çözücü katmanında alışılmış çok katmanlı algılayıcı (MLP) yerine Kolmogorov-Arnold Ağlarının (KAN) denenmesi. Ekip ayrıca boyut artıran ve standart olmak üzere iki otokodlayıcı çeşidini karşılaştırıyor. Yayın özeti kullanılan veri kümesinin kaynağını belirtmiyor.
Sonuçlara göre KAN kod çözücülü standart GAE, kenar (adım geçişi) düzeyinde F1 skorunu MLP'li modeldeki 0,42'den 0,50'ye taşıyor; iz düzeyinde ise 0,67'den 0,70'e çıkarıyor. Yazarlar, GNN ve KAN birlikteliğinin süreç anomalisi tespitini güçlendirdiği sonucuna varıyor.
Bildiri, 26–28 Ekim 2024'te Antalya'da düzenlenen UBMK 2024'te (9. Uluslararası Bilgisayar Bilimleri ve Mühendisliği Konferansı) sunuldu ve IEEE tarafından yayımlanan bildiri kitabında (s. 557–562) yer aldı. Yazarlar: Teoman Berkay Ayaz, Ege Gülce, Stanley Hsu ve Akhan Akbulut (Next4biz Ar-Ge Merkezi) ile Alper Özcan (Akdeniz Üniversitesi).
