Lama Penín, ManuelVidal Aguiar, Juan CarlosGamallo Fernández, Pedro2025-11-172025-11-172025https://hdl.handle.net/10347/43832Nos últimos anos, a aprendizaxe profunda consolidouse como unha ferramenta prometedora para abordar diversas tarefas no ámbito da minería de procesos. Con todo, a maioría dos enfoques existentes teñen prestado pouca atención ao xeito en que se representan os eventos e as trazas de execución, o que limita a súa capacidade para capturar a complexidade inherente aos procesos reais. Nesta tese, exploramos o potencial dos modelos xerativos profundos, especialmente da familia dos autoencoders e as súas variantes, para aprender representacións latentes adaptadas ao contexto dos procesos, capaces de reflectir tanto as dependencias estruturais como as relacións contextuais presentes nos rexistros de eventos. Propoñemos tres arquitecturas innovadoras que permiten xerar representacións compactas e informativas, imputar valores faltantes de maneira eficiente e detectar anomalías nas execucións dos procesos.engAttribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-nd/4.0/Minería de ProcesosIntelixencia ArtificialAprendizaxe ProfundaModelos Xerativos Profundos120304 Inteligencia artificial120311 Logicales de ordenadores331005 Ingeniería de procesosdoctoral thesisembargoed access