[論文レビュー] Probabilistic Complex Event Recognition: A Survey

Elias Alevizos, Anastasios Skarlatidis+2 more|arXiv (Cornell University)|Feb 21, 2017

Advanced Database Systems and Queries参考文献 57被引用数 6

ひとこと要約

本調査は、イベントストリームにおける不確実性を扱う確率的複雑事象認識（CER）手法について、包括的な分析を提供する。自動機械、確率的グラフィカルモデル、一階論理、ペトリネット、文法に基づく手法を焦点としている。表現力、確率的モデリング、パフォーマンスに関する主な制限を特定し、不確実性を考慮したスケーラブルでリアルタイムなCERシステムの今後の研究方向性を提示する。

ABSTRACT

Complex Event Recognition applications exhibit various types of uncertainty, ranging from incomplete and erroneous data streams to imperfect complex event patterns. We review Complex Event Recognition techniques that handle, to some extent, uncertainty. We examine techniques based on automata, probabilistic graphical models and first-order logic, which are the most common ones, and approaches based on Petri Nets and Grammars, which are less frequently used. A number of limitations are identified with respect to the employed languages, their probabilistic models and their performance, as compared to the purely deterministic cases. Based on those limitations, we highlight promising directions for future work.

研究の動機と目的

• 不確実性下での複雑事象認識の既存手法について、体系的なレビューを提供すること。
• 言語の表現力、確率的モデリング、計算パフォーマンスに関する制限要因と関連する現在のCERシステムの限界を特定すること。
• 自動機械、確率的グラフィカルモデル、一階論理、ペトリネット、文法に基づく手法の不確実性処理能力を比較すること。
• 標準的なベンチマークの欠如、分散推論の支援不足、専門家が定義したパrameter依存の問題など、未解決の課題を強調すること。
• スケーラブルでリアルタイムかつ不確実性を考慮したCERシステムの有望な今後の研究方向性を提案すること。

提案手法

• 自動機械、確率的グラフィカルモデル、一階論理、ペトリネット、文法に基づくCER手法の形式的基盤に応じて分類する。
• 時間的モデリング、背景知識、独立性仮定、不確実性の種別（データおよびパターン）といった次元で各手法を評価する。
• 周辺確率推論、MAP推論、信頼性しきい値、近似推論のサポートといった基準を用いて推論能力を評価する。
• 著者報告の結果に基づき、スループット、遅延、分散処理のサポートといったパフォーマンス指標を分析する。
• 共通のドメインでシステムを評価・比較するために、動画ベースのバスケットボールゲームを事例として用いる。
• 表を用いた比較フレームワークを提案し、各システムの特徴、確率的性質、推論能力を要約する。

実験結果

リサーチクエスチョン

• RQ1 CERシステムにおいて、不確実性下での複雑事象パターンをモデリングするうえで、どの形式的基盤が最も効果的か？
• RQ2 異なるCERアプローチは、ノイズ混在や欠落したイベントといったデータ不確実性、曖昧または可変なイベント定義といったパターン不確実性をどのように処理するか？
• RQ3 既存の確率的CER手法において、表現力、確率的モデリングの能力、計算複雑性の間のトレードオフは何か？
• RQ4 現在のシステムは、リアルタイム推論、分散実行、信頼性ベースの意思決定しきい値のサポートをどの程度実装しているか？
• RQ5 自動パrameter学習、ベンチマーク、スケーラビリティの点で、現在のCER研究における主なギャップは何か？

主な発見

• 自動機械ベースの手法は、シーケンスや繰り返しのモデリングに優れるが、通常はデータ不確実性のみを扱い、第一階マルコフ仮定に依存する。
• 一階論理アプローチは、関係的モデリング、階層構造、背景知識の表現において高い表現力を発揮するが、計算複雑性が著しく高い。
• 文法およびペトリネットは、それぞれ再帰的パターン、並列的パターンのサポートが強いが、確率的CERではあまり一般的に使われていない。
• 大多数のシステムは分散推論をサポートせず、リアルタイム応用におけるスケーラビリティに制限を受ける。
• パターンの重みや構造の学習をサポートするシステムは稀であり、多くの場合専門家が定義したパrameterに依存しており、複雑なルールセットではスケーラビリティが制限される。
• 標準化されたベンチマークの欠如により、システム間の実証的比較が困難であるが、今後の研究においてこうした評価フレームワークの必要性は明確である。