[論文レビュー] An IoT Analytics Embodied Agent Model based on Context-Aware Machine Learning

Nathalia Nascimento, Paulo Alencar+2 more|arXiv (Cornell University)|Dec 14, 2018

Context-Aware Activity Recognition Systems参考文献 14被引用数 4

ひとこと要約

本稿では、環境の変動に応じてニューラルネットワークアーキテクチャを動的に再構成する埋め込みエージェントを用いて、コンテキストに配慮した機械学習駆動型のIoT分析モデルを提案する。特徴モデルに基づく変動性フレームワークとフィードバック評価型学習を組み合わせることで、変化する文脈において最適なパフォーマンスを維持する自己設定可能なエージェントを実現した。スマートストリートライト応用において、明るさの変動に応じた適応性の向上が実証された。

ABSTRACT

Agent-based Internet of Things (IoT) applications have recently emerged as applications that can involve sensors, wireless devices, machines and software that can exchange data and be accessed remotely. Such applications have been proposed in several domains including health care, smart cities and agriculture. However, despite their increased adoption, deploying these applications in specific settings has been very challenging because of the complex static and dynamic variability of the physical devices such as sensors and actuators, the software application behavior and the environment in which the application is embedded. In this paper, we propose a modeling approach for IoT analytics based on learning embodied agents (i.e. situated agents). The approach involves: (i) a variability model of IoT embodied agents; (ii) feedback evaluative machine learning; and (iii) reconfiguration of a group of agents in accordance with environmental context. The proposed approach advances the state of the art in that it facilitates the development of Agent-based IoT applications by explicitly capturing their complex and dynamic variabilities and supporting their self-configuration based on an context-aware and machine learning-based approach.

研究の動機と目的

• 多様な物理的および環境的文脈における、複雑で動的な変動性を有するIoT統合エージェントを管理する課題に対処すること。
• 部品の変動性やランタイム再構成に対処するメカニズムを欠いた伝統的なエージェント開発プロセスの限界を克服すること。
• リアルタイムの環境コンテキストに基づいて最適なニューラルネットワーク構成を選択することで、機械学習を用いてIoTエージェントが自律的に行動を適応させることを可能にすること。
• 異なる環境状態に特化したモデルを維持・切り替えることで、エージェント集合の自己設定を支援すること。
• 人間の専門的知見を活用してエージェントの基本的行動とボディアーキテクチャを定義するとともに、学習による自動再構成を可能にすること。

提案手法

• IoT統合エージェントにおける静的および動的変動ポイント（ニューラルネットワークのハイパーパrameterを含む）を表現するための特徴指向の変動性モデルを構築する。
• パフォーマンス指標（例：エネルギー消費量、移動時間、歩行者完了率）を用いてモデル学習を誘導するフィードバック評価型機械学習を実装する。
• 朝、昼、夜といった特定の環境状態に最適化された初期ニューラルネットワークモデル（例：1層の隠れ層に10個のシグモイドユニット）を訓練する。
• 異なる環境条件に最適化された事前に訓練済みモデル間を切り替えることで、ランタイムでのエージェント分析アーキテクチャの再構成を可能にする。
• リアルタイムのセンサ入力（例：環境光レベル）に基づいて、最も適切なニューラルネットワークモデルを選択するコンテキストに配慮した意思決定論理を活用する。
• 人間の専門家がボディおよび行動の特徴を定義する一方で、機械学習がニューラルネットワーク構成の適応を自動化するハイブリッドアーキテクチャを支援する。

実験結果

リサーチクエスチョン

• RQ1 IoT統合エージェントにおける変動性、特にニューラルネットワーク設計における変動性を、開発段階で体系的にモデリングおよび管理することは可能か？
• RQ2 フィードバック評価型機械学習は、変化する環境的文脈への対応において、IoTエージェントの適応性を向上させることができるか？
• RQ3 再訓練を完全に再開することなく、複数の環境状態において高いパフォーマンスを維持できる自己設定可能なエージェントの限界はどこか？
• RQ4 リアルタイムのコンテキストに基づいて、複数の特化型エージェントモデル間を動的に切り替えるシステムは、どのように実現できるか？
• RQ5 人間がループに参加する知見は、エージェント行動およびボディアーキテクチャの定義において、学習による自動再構成を可能にする上で果たす役割は何か？

主な発見

• 提案モデルにより、朝（高い環境光）、昼（中程度）、夜（低い環境光）といった複数の環境コンテキストにおいて、IoTエージェントが高いパフォーマンスを維持できた。
• 明るさが明るい状態から暗い状態に変化した後、エージェントはコンテキストに特化したニューラルネットワークモデルに切り替えることで、元の朝の設定と同等のパフォーマンスを回復させた。
• 構成履歴を維持することで、異なるコンテキストに特化したモデルに復帰または切り替えることができ、モノリシックモデルの限界を克服した。
• すべてのコンテキストにわたって訓練された汎用モデルで観察されたパフォーマンスの低下は、コンテキストに配慮したモデル選択により緩和され、朝および夜の両方の条件下で改善された結果が得られた。
• 環境コンテキストに応じて、実行時におけるニューラルネットワークアーキテクチャ（例：隠れ層のサイズ）の再構成が可能になり、完全な再訓練なしに動的適応が実現した。
• ハイブリッドアーキテクチャにより、専門家がエージェントの基本的特徴と行動を定義しつつ、動的適応を機械学習に委ねることで、スケーラビリティと保守性が向上した。