[논문 리뷰] A Model for Reasoning with Uncertain Rules in Event Composition Systems

Segev Wasserkrug, Avigdor Gal외 1명|arXiv (Cornell University)|2012. 07. 04.

Bayesian Modeling and Causal Inference참고 문헌 9인용 수 20

한 줄 요약

이 논문은 이벤트 조합 시스템에서 불확실한 규칙을 추론하기 위한 공식적인 확률적 프레임워크를 제안하며, 동적 베이지안 네트워크를 구성함으로써 복잡하고 시간적으로 종속적이며 불확실한 트리거에서 이벤트를 유추할 수 있도록 한다. 이 모델은 이벤트 발생의 확률을 정량화함으로써, 확률 이론을 사용하여 활성 시스템에서 불확실성을 다루는 첫 번째 체계적인 접근법을 제공한다.

ABSTRACT

In recent years, there has been an increased need for the use of active systems - systems required to act automatically based on events, or changes in the environment. Such systems span many areas, from active databases to applications that drive the core business processes of today's enterprises. However, in many cases, the events to which the system must respond are not generated by monitoring tools, but must be inferred from other events based on complex temporal predicates. In addition, in many applications, such inference is inherently uncertain. In this paper, we introduce a formal framework for knowledge representation and reasoning enabling such event inference. Based on probability theory, we define the representation of the associated uncertainty. In addition, we formally define the probability space, and show how the relevant probabilities can be calculated by dynamically constructing a Bayesian network. To the best of our knowledge, this is the first work that enables taking such uncertainty into account in the context of active systems. herefore, our contribution is twofold: We formally define the representation and semantics of event composition for probabilistic settings, and show how to apply these extensions to the quantification of the occurrence probability of events. These results enable any active system to handle such uncertainty.

연구 동기 및 목표

• 활성 시스템에서 복잡한 시간적 조건을 가진 불확실한 이벤트를 추론하는 데 도전 과제를 해결하기 위해.
• 확률적 불확실성 하에서 이벤트 조합의 표현 및 의미를 공식화하기 위해.
• 불확실한 규칙에 기반하여 이벤트 발생 가능성의 정도를 정량화할 수 있도록 활성 시스템을 가능하게 하기 위해.
• 실시간 추론을 위해 확률 이론을 이벤트 기반 시스템과 통합하는 프레임워크를 제공하기 위해.

제안 방법

• 프레임워크는 이벤트 조합 규칙의 불확실성을 표현하기 위해 확률 이론을 사용한다.
• 기본적인 확률적 종속성에 기반하여 이벤트 발생을 위한 확률 공간을 공식적으로 정의한다.
• 유추된 이벤트의 확률을 계산하기 위해 시스템이 동적으로 베이지안 네트워크를 구축한다.
• 시간적 조건은 이벤트 시퀀스에 대한 확률적 제약 조건으로 모델링된다.
• 새로운 이벤트가 도착함에 따라 실시간으로 업데이트할 수 있도록 점진적 추론을 지원한다.
• 규칙 기반 추론과 확률적 추론을 통합하여 불확실성 하에서의 의사결정 지원을 가능하게 한다.

실험 결과

연구 질문

• RQ1 트리거링 이벤트가 불확실할 경우, 이벤트 조합 규칙를 어떻게 공식적으로 표현할 수 있는가?
• RQ2 활성 시스템에서 불확실한 이벤트 조합을 모델링하기 위한 적절한 확률 공간은 무엇인가?
• RQ3 불확실하고 시간적으로 종속적인 규칙에서 유도된 이벤트의 발생 확률을 정량적으로 계산하는 방법은 무엇인가?
• RQ4 불확실성 존재 하에서 동적이고 확장 가능한 추론을 가능하게 하는 메커니즘은 무엇인가?

주요 결과

• 제안된 모델은 확률 이론을 사용하여 활성 시스템 내 이벤트 조합에 불확실성을 공식적으로 통합한 최초의 모델이다.
• 동적 베이지안 네트워크 구축을 통해 이벤트 발생 확률의 정확한 정량화를 가능하게 하는 프레임워크이다.
• 불확실한 전제 조건을 가진 복잡한 시간적 조건에 대한 추론을 지원한다.
• 불확실성 하에서 운영되는 활성 시스템을 위한 확장 가능하고 스케일러블한 기반을 제공한다.