Topologías de Inspiración Cuántica para la Detección de Anomalías en Minería de Procesos

Abstract

La detección de anomalías en process mining enfrenta retos significativos cuando las desviaciones son sutiles o dependen fuertemente del contexto. Este trabajo explora una aproximación basada en técnicas de Quantum Machine Learning (QML) para abordar esta problemática. Proponemos el uso de Quantum Kernels y métricas de fidelidad cuántica para proyectar las trazas de eventos a un espacio de Hilbert, permitien- do medir la similitud geométrica entre secuencias sin necesidad de un modelo de referencia previo. El método captura las evoluciones del es- tado cuántico de los cúbits mediante un Quantum Trajectory Encoder (QTE). Además, evalúa cuatro topologías de entrelazamiento distintas para analizar su capacidad de capturar dependencias entre los eventos de las trazas, integrando Control Gates para asegurar la integridad de la señal durante el proceso. La implementación se realiza íntegramente me- diante simulación clásica. Las primeras ejecuciones exploratorias sobre el dataset Sepsis Cases sugieren que este enfoque puede ser complemen- tario a los modelos existentes, por lo que el trabajo futuro se orientará a una comparativa empírica frente a algunos de los principales modelos del estado del arte en detección de anomalías en trazas de procesos: ACo- VA [4], GAMA [7], VAESA, GRASPED [6] y BINet [12] empleando los datasets del BPI Challenge como banco de pruebas común.