[논문 리뷰] A Knowledge Ecosystem for the Food, Energy, and Water System

Praveen Rao, Anas Katib외 1명|arXiv (Cornell University)|2016. 09. 17.

Scientific Computing and Data Management참고 문헌 13인용 수 3

한 줄 요약

이 논문은 식량, 에너지, 수자원(FEW) 시스템을 위한 지식 생태계를 제안하며, 의미 웹 기술과 통계적 연관 학습을 활용하여 미국 연방 정부의 이질적인 데이터셋을 의미적으로 통합한다. 풍부한 온톨로지와 OWL 기반 추론을 갖춘 확률적 지식 기반을 구축함으로써, 대규모 데이터에서 RDF 4중항과 SPARQL 쿼리를 통한 자동 추론을 통해 가뭄으로 인한 가격 상승과 같은 실질적인 통찰을 발견한다.

ABSTRACT

Food, energy, and water (FEW) are key resources to sustain human life and economic growth. There is an increasing stress on these interconnected resources due to population growth, natural disasters, and human activities. New research is necessary to foster more efficient, more secure, and safer use of FEW resources in the U.S. and globally. In this position paper, we present the idea of a knowledge ecosystem for enabling the semantic data integration of heterogeneous datasets in the FEW system to promote knowledge discovery and superior decision making through semantic reasoning. Rich, diverse datasets published by U.S. federal agencies will be utilized. Our knowledge ecosystem will build on Semantic Web technologies and advances in statistical relational learning to (a) represent, integrate, and harmonize diverse data sources and (b) perform ontology-based reasoning to discover actionable insights from FEW datasets.

연구 동기 및 목표

• 미국 농무부(USDA), 기상청(NOAA), 지질조사국(USGS), 국가미네랄센터(NDMC)와 같은 미국 연방 기관에서 제공하는 이질적이고 의미적으로 다를 수 있는 FEW 데이터셋 통합 문제를 해결하기 위해.
• FEW 영역 내 엔티티, 관계, 도메인 규칙을 모델링하는 풍부한 온톨로지와 함께 확장 가능하고 진화하는 지식 기반을 구축하기 위해.
• FEW 지식 기반에서 자동으로 온톨로지 기반 추론을 수행하여 숨겨진 통찰을 발견하고 과학적 가설을 검증하기 위해.
• 의미적 데이터 통합과 확장 가능한 쿼리 처리를 통해 FEW 이해관계자의 우수한 의사결정 지원을 위해.
• 기존 데이터 형식(예: CSV, Excel)의 한계와 공유되는 온톨로지의 부재로 인해 지능형 시스템의 소비가 저해되는 문제를 극복하기 위해.

제안 방법

• 기록 출처를 포괄하고 그래프 기반 모델링을 가능하게 하기 위해 FEW 데이터를 RDF 4중항(주어, 서술어, 목적어, 맥락)으로 표현하기 위해.
• 엔티티, 클래스, 속성, 관계를 FEW 영역에서 모델링하기 위해 의미 웹 표준(RDF, SPARQL, OWL 2)을 사용하기 위해.
• 엔티티 간의 의미적 관계인 owl:sameAs, owl:equivalentProperty, owl:differentFrom 등을 추론하기 위해 통계적 연관 학습과 마르코프 논리 네트워크(MLNs)를 적용하기 위해.
• RDF 명명 그래프에서의 효율적 SPARQL 쿼리 처리를 위해 RIQ 시스템을 활용하고, Pellet과 같은 OWL 2 DL 추론기와 통합하여 확장 가능한 추론을 수행하기 위해.
• 추출된 사실과 규칙의 불확실성과 확률을 표현하기 위해 RDF의 재구성(reification)을 활용하기 위해.
• Apache Spark를 활용한 RIQ의 병렬 쿼리 처리를 탐색하여 수십억 개의 RDF 문장과 OWL 진술에 대한 추론을 확장 가능하게 하기 위해.

실험 결과

연구 질문

• RQ1 미국 연방 기관에서 제공하는 이질적이고 대규모의 FEW 데이터셋을 어떻게 통합된 지식 기반으로 의미적으로 통합할 수 있는가?
• RQ2 OWL 2 DL과 통계적 연관 학습을 활용하여 대규모 FEW 지식 기반에서 확률적이고 확장 가능한 추론을 수행하기 위한 기법은 무엇인가?
• RQ3 증거 기반의 RDF 4중항과 명명 그래프가 FEW 데이터 통합의 추적 가능성과 신뢰성에 어떻게 기여하는가?
• RQ4 자동 추론은 어떻게 상호의존적인 FEW 시스템을 관통하여 비명백한 인과 관계(예: 가뭄이 육류 및 생물연료 가격에 미치는 영향)를 드러내는가?
• RQ5 의미적 추론은 도메인 특화된 맥락을 통합함으로써 낮은 강수량 보고와 높은 수분 지수 값 간의 명백한 모순을 어떻게 해결하는가?

주요 결과

• 지식 생태계는 OWL 2 진술에서 논리적 추론을 통해 미주리주 잭슨 카운티의 가뭄이 육류 및 생물연료 가격 상승으로 이어지는 인과적 영향을 자동으로 추론할 수 있다.
• OWL 추론기는 농장주가 강수량이 낮다고 보고한 반면 VegDRI 지수는 '녹색' 수준의 수분을 나타내는 등 명백한 모순을 검증할 수 있다. 이는 따뜻한 계절의 풀의 내구성과 같은 맥락 기반 요소를 인식함으로써 가능하다.
• RIQ와 OWL 2 DL 추론의 통합은 명명 그래프에서 복잡한 SPARQL 쿼리로 추론 작업을 매핑함으로써 대규모 RDF 데이터셋에서의 확장 가능한 쿼리 처리를 가능하게 한다.
• MLNs를 통한 통계적 연관 학습은 엔티티 간의 의미적 동치성과 차이를 추론함으로써 다양한 데이터 소스 간의 지식 기반 조율을 향상시킨다.
• 시스템은 사용자가 별도의 데이터셋 간 수작업 상관 분석 없이도 기후 사건으로 인한 가격 변동과 같은 실질적 통찰을 발견할 수 있도록 한다.
• 이 접근법은 의미 기술을 활용한 대규모 자동 지식 발견의 가능성을 입증하지만, 정확도는 통계적 추론의 질과 데이터 기록 출처에 따라 달라진다.