[논문 리뷰] An IoT Analytics Embodied Agent Model based on Context-Aware Machine Learning

Nathalia Nascimento, Paulo Alencar외 2명|arXiv (Cornell University)|2018. 12. 14.

Context-Aware Activity Recognition Systems참고 문헌 14인용 수 4

한 줄 요약

이 논문은 환경 변화에 따라 신경망 아키텍처를 동적으로 재구성하는 몸을 지닌 에이전트를 사용하여, 맥락 인식형 기계학습 기반의 IoT 분석 모델을 제안한다. 기능 모델 기반의 가변성 프레임워크와 피드백 평가 기반 학습을 조합함으로써, 변화하는 맥락에서 최적 성능을 유지하는 자기구성형 에이전트를 가능하게 하였으며, 이는 환경 조명 조건의 변화에 대응하는 스마트 가로등 응용에서 뛰어난 적응성을 입증하였다.

ABSTRACT

Agent-based Internet of Things (IoT) applications have recently emerged as applications that can involve sensors, wireless devices, machines and software that can exchange data and be accessed remotely. Such applications have been proposed in several domains including health care, smart cities and agriculture. However, despite their increased adoption, deploying these applications in specific settings has been very challenging because of the complex static and dynamic variability of the physical devices such as sensors and actuators, the software application behavior and the environment in which the application is embedded. In this paper, we propose a modeling approach for IoT analytics based on learning embodied agents (i.e. situated agents). The approach involves: (i) a variability model of IoT embodied agents; (ii) feedback evaluative machine learning; and (iii) reconfiguration of a group of agents in accordance with environmental context. The proposed approach advances the state of the art in that it facilitates the development of Agent-based IoT applications by explicitly capturing their complex and dynamic variabilities and supporting their self-configuration based on an context-aware and machine learning-based approach.

연구 동기 및 목표

• 다양한 물리적 및 환경적 맥락에서 복잡하고 동적인 가변성을 갖는 IoT 기반 몸을 지닌 에이전트를 관리하는 데 도전하는 것.
• 컴ponent의 가변성과 런타임 재구성 기법을 처리할 수 있는 메커니즘이 부족한 전통적 에이전트 개발 프로세스의 한계를 극복하는 것.
• 실시간 환경 맥락에 기반하여 최적의 신경망 구성 구성을 선택함으로써, 기계학습을 통해 IoT 에이전트가 자율적으로 행동을 적응시킬 수 있도록 하는 것.
• 다양한 환경 상태에 맞게 사전 훈련된 전용 모델을 유지하고 전환함으로써 에이전트 집단의 자가구성을 지원하는 것.
• 핵심 에이전트 행동과 바디 아키텍처를 정의하는 인간의 전문 지식을 통합하면서도, 학습을 통한 자동화된 재구성 기능을 제공하는 것.

제안 방법

• IoT 몸을 지닌 에이전트의 정적 및 동적 변동점(예: 신경망 하이퍼파라미터 포함)을 표현하기 위해 기능 중심의 가변성 모델을 개발한다.
• 성능 지표(예: 에너지 소비, 이동 시간, 보행자 완료율 등)를 사용하여 모델 훈련을 이끄는 피드백 평가 기반 기계학습을 구현한다.
• 오전, 오후, 밤과 같은 특정 환경 맥락에 맞게 초기 신경망 모델(예: 은닉층 1개, 시그모이드 유닛 10개)을 훈련시킨다.
• 다양한 환경 조건에 최적화된 사전 훈련된 모델 간 전환을 통해 런타임에서 에이전트 분석 아키텍처를 재구성할 수 있도록 한다.
• 실시간 센서 입력(예: 주변 조도 수준)을 기반으로 가장 적합한 신경망 모델을 선택하기 위한 맥락 인식형 의사결정 논리를 구현한다.
• 인간이 신체 및 행동 기능을 정의하는 반면 기계학습이 신경망 구성의 적응을 자동화함으로써 하이브리드 아키텍처를 지원한다.

실험 결과

연구 질문

• RQ1 IoT 몸을 지닌 에이전트의 가변성—특히 신경망 설계에서의 가변성—은 개발 단계에서 체계적으로 모델링하고 관리할 수 있는가?
• RQ2 피드백 평가 기반 기계학습은 환경 맥락의 변화에 대응하는 IoT 에이전트의 적응성을 향상시킬 수 있는가?
• RQ3 재학습 없이도 다수의 환경 상태에서 높은 성능을 유지할 수 있는 자기구성형 에이전트의 성능 유지는 어느 정도 가능한가?
• RQ4 실시간 맥락에 기반하여 여러 전용 에이전트 모델 간 동적 전환을 지원하는 시스템은 어떻게 설계할 수 있는가?
• RQ5 인간이 에이전트 행동과 바디 아키텍처를 정의하는 데 기여할 수 있는 역할은 무엇이며, 학습을 통한 자동 재구성 기능과 어떻게 조화를 이룰 수 있는가?

주요 결과

• 제안된 모델은 오전(높은 주변 조도), 오후(중간), 야간(낮은 주변 조도)을 포함한 다양한 환경 맥락에서 IoT 에이전트가 높은 성능을 유지하는 데 성공했다.
• 밝은 환경에서 어두운 환경으로 환경 맥락이 변화한 후, 에이전트는 맥락 특화 신경망 모델로 전환함으로써 원래 오전 설정 수준과 유사한 성능으로 복구되었다.
• 구성 기록을 유지함으로써 에이전트가 전용 모델 간 복귀 또는 전환할 수 있음을 입증하였으며, 이는 단일 모델의 한계를 극복하는 데 기여했다.
• 모든 맥락에 걸쳐 훈련된 일반 모델에서 관찰된 성능 저하가 맥락 인식형 모델 선택을 통해 완화되었으며, 오전과 야간 조건 모두에서 개선된 결과를 보였다.
• 환경 맥락에 따라 런타임에서 신경망 아키텍처(예: 은닉층 크기)를 재구성할 수 있었으며, 전체 재학습 없이도 동적 적응을 지원하였다.
• 하이브리드 아키텍처는 전문가가 핵심 에이전트 기능과 행동을 정의하는 동시에 동적 적응을 기계학습에 위임함으로써 확장성과 유지보수성을 향상시켰다.