[論文レビュー] Multi-Sensor Data and Knowledge Fusion -- A Proposal for a Terminology Definition

Silvia Beddar-Wiesing, Maarten Bieshaar|arXiv (Cornell University)|Jan 13, 2020

Target Tracking and Data Fusion in Sensor Networks参考文献 29被引用数 10

ひとこと要約

本稿は、拡張されたDIKW階層を用いて、マルチセンサー・データおよび知識統合のための標準化された用語法とオントロジーを提案する。統合のコンポONENT（データ、情報、知識、理解、知恵）と統合レベルを定義し、用語の明確化を図るための「統合レベルレインボウ」を導入する。統合文献における曖昧さを低減し、さまざまなレベルにおける一般的な統合技術を調査することで、機械学習およびデータマイニングの文脈における一貫性のある応用を可能にする。

ABSTRACT

Fusion is a common tool for the analysis and utilization of available datasets and so an essential part of data mining and machine learning processes. However, a clear definition of the type of fusion is not always provided due to inconsistent literature. In the following, the process of fusion is defined depending on the fusion components and the abstraction level on which the fusion occurs. The focus in the first part of the paper at hand is on the clear definition of the terminology and the development of an appropriate ontology of the fusion components and the fusion level. In the second part, common fusion techniques are presented.

研究の動機と目的

• マルチセンサー・データおよび知識統合の文献における一貫性のない用語法を解消すること。
• 拡張されたDIKW階層を用いて、統合コンポONENT（データ、情報、知識、理解、知恵）を定義すること。
• 抽象化レベルとコンポONENTの種別に基づいて、明確で曖昧さのない統合レベルの分類を確立すること。
• 適切な統合技術の選定および適用のための標準化されたフレームワークを提供すること。
• 研究および応用の文脈において、統合アルゴリズムの記述および比較を一貫して行えるようにすること。

提案手法

• 従来のDIKW階層を拡張し、『理解』をレベル間の進行条件とみなすことで、独立したレベルとはしない。
• 抽象化レベルに基づいて統合コンポONENTを定義する：データ（生観測値）、情報（処理済みデータ）、知識（パターンおよび規則）、理解（文脈的洞察）、知恵（判断および価値評価）。
• 統合コンポONENTとレベルの全範囲を表す視覚的・概念的モデルとして『統合レベルレインボウ』を導入する。
• 統合技術をレベル別に分類する：データレベル（例：画像統合）、特徴レベル（例：パラメータ統合）、意思決定レベル（例：アンサンブルモデル）、知識レベル（例：モデル結合）。
• 生成的分類器に適した共役事前分布（例：正規・ウィッシュァート、ディリクレ）を用いたベイズ的パラメータ統合の具体的な統合アルゴリズムを提示する。
• アンサンブル学習（例：AdaBoost）、分解に基づく予測、ソフトまたはハードゲーティングを用いたエキスパートの混合による意思決定統合手法を記述する。

実験結果

リサーチクエスチョン

• RQ1 データおよび知識統合における一貫性のない用語法はどのように解消され、再現性および比較可能性が向上するか？
• RQ2 各統合コンポONENTの適切な抽象化レベルは何か、そしてDIKW階層とどのように関係するか？
• RQ3 異なる統合タイプにおいて、統合レベルはどのように明確に区別され、体系的に分類されるか？
• RQ4 各統合レベルに最も適した統合技術は何か、そして実装方法においてどのように異なるか？
• RQ5 理解は統合プロセスにおいて果たす役割は何か、そして統合モデルにおいて形式的にどのように表現されるべきか？

主な発見

• 理解がレベル間の進行を可能にするという拡張DIKW階層は、統合コンポONENTを分類するためのより正確で実用的なフレームワークを提供する。
• 統合レベルレインボウモデルは、すべての統合コンポONENTとレベルを包括的かつ曖昧さのないオントロジーとして統合するのに成功している。
• 共役事前分布（例：正規・ウィッシュァート、ディリクレ）を用いたパラメータ統合により、確率的モデルの数学的に整合性のある組み合わせが可能となり、閉形式の事後更新が実現される。
• AdaBoostやエキスパートの混合といったアンサンブル手法による意思決定統合は、複数のモデルを統合することで予測のロバストネスを向上させる。
• モデル結合（例：CMM）を用いた知識統合により、異なるデータサブセットで訓練された複数の生成的分類器を統合することで、一般化性能の向上が可能になる。
• 提案された用語法とフレームワークは、統合文献における曖昧さを低減し、機械学習およびセンサー統合システムにおける一貫した応用を支援する。