[論文レビュー] Unsupervised Activity Discovery and Characterization From Event-Streams

Rafay Hammid, Siddhartha Maddi+4 more|arXiv (Cornell University)|Jul 4, 2012

Time Series Analysis and Forecasting参考文献 12被引用数 4

ひとこと要約

本稿では、イベントストリームから日常的行動を無教師で発見・特徴付けるためのフレームワークを提案する。行動をイベントn-gramのバッグとしてモデル化し、重み付きグラフにおける最大クリークを用いて行動クラスを同定する。さらに、可変長マルコフモデルを用いて再発するイベントモチーフを抽出し、ラベルなしのデータで多様な現実世界の環境においても頑健な性能を示す。

ABSTRACT

We present a framework to discover and characterize different classes of everyday activities from event-streams. We begin by representing activities as bags of event n-grams. This allows us to analyze the global structural information of activities, using their local event statistics. We demonstrate how maximal cliques in an undirected edge-weighted graph of activities, can be used for activity-class discovery in an unsupervised manner. We show how modeling an activity as a variable length Markov process, can be used to discover recurrent event-motifs to characterize the discovered activity-classes. We present results over extensive data-sets, collected from multiple active environments, to show the competence and generalizability of our proposed framework.

研究の動機と目的

• 生のイベントストリームデータから明確な行動クラスを無教師で発見するための手法を開発すること。
• イベントn-gramとグラフベースのクラスタリングを用いて、行動内の構造的および順序的パターンをモデル化すること。
• 可変長マルコフモデルを用いて再発するイベントモチーフを同定することで、発見された行動クラスを特徴付けること。
• 多様なデータを有する複数の現実世界の環境において、フレームワークの汎用性と実行能力を評価すること。
• イベントシーケンスからの完全な無教師学習を可能にするために、事前ラベル付きデータに依存しないようにすること。

提案手法

• 局所的イベント統計とグローバルな構造的パターンを捉えるために、行動をイベントn-gramのバッグとして表現する。
• ノードが行動を表し、エッジがn-gramの重複に基づく類似度を反映する、無向かつエッジに重みが付いたグラフを構築する。
• グラフにおける最大クリーク検出を用いて、類似度が極めて高い行動のクラスタを同定し、候補となる行動クラスとする。
• 発見された各行動クラスを可変長マルコフ過程としてモデル化し、再発するイベントモチーフを抽出する。
• スケーラビリティと耐障害性をテストするために、複数のアクティブな環境から収集した現実世界のイベントストリームにフレームワークを適用する。
• 人為的ラベル付きの行動ラベルに依存しないように、無教師学習を活用する。

実験結果

リサーチクエスチョン

• RQ1 事前ラベルなしで、非構造的なイベントストリームからどのように行動クラスを発見できるか？
• RQ2 どのようなグラフベースの技術が、無教師の状態で類似した行動を効果的にクラスタリング可能か？
• RQ3 再発するイベントモチーフを自動的に抽出するにはどうすればよいか？ これにより、発見された行動クラスを特徴付ける。
• RQ4 このフレームワークは、多様な現実世界の環境にどの程度一般化可能か？
• RQ5 可変長マルコフモデルは、自然な人間の行動の順序的構造を効果的に捉えることができるか？

主な発見

• 重み付き行動グラフにおける最大クリークアプローチにより、教師なしの状態で一貫性があり明確な行動クラスがイベントストリームから同定された。
• 本フレームワークは、住宅やオフィスを含む多様な現実世界の環境において、強力な汎用性を示した。
• 可変長マルコフモデルにより、各発見された行動クラスを特徴付ける意味のある再発するイベントモチーフが効果的に抽出された。
• イベントn-gramの使用により、局所的およびグローバルな構造的特徴を捉えることで、行動の表現が頑健になった。
• 人為的ラベル付きトレーニングデータを一切必要とせず、信頼性の高い行動発見と特徴付けが達成された。
• 広範なデータセットを用いた実験結果により、フレームワークの実行能力とスケーラビリティが、現実世界の環境で確認された。