[논문 리뷰] Leveraging Knowledge Graph Embedding Techniques for Industry 4.0 Use Cases

Martina Garofalo, Maria Angela Pellegrino외 2명|arXiv (Cornell University)|2018. 07. 31.

Digital Transformation in Industry인용 수 6

한 줄 요약

이 논문은 지식 그래프 임bedding 기법을 활용하여 복잡한 센서 기반 산업 그래프를 저차원 벡터 표현으로 변환함으로써, 예측 정비, 가상 프로토타이핑, 제품 설계 최적화와 같은 산업 4.0 응용 분야에서 기존 기계 학습 기법을 효율적으로 적용할 수 있도록 한다. 주요 기여는 그래프 구조의 산업 데이터와 확장성 있고 기능-rich한 모델 간의 다리를 놓는 프레임워크를 제공하는 것이다.

ABSTRACT

Industry is evolving towards Industry 4.0, which holds the promise of increased flexibility in manufacturing, better quality and improved productivity. A core actor of this growth is using sensors, which must capture data that can used in unforeseen ways to achieve a performance not achievable without them. However, the complexity of this improved setting is much greater than what is currently used in practice. Hence, it is imperative that the management cannot only be performed by human labor force, but part of that will be done by automated algorithms instead. A natural way to represent the data generated by this large amount of sensors, which are not acting measuring independent variables, and the interaction of the different devices is by using a graph data model. Then, machine learning could be used to aid the Industry 4.0 system to, for example, perform predictive maintenance. However, machine learning directly on graphs, needs feature engineering and has scalability issues. In this paper we discuss methods to convert (embed) the graph in a vector space, such that it becomes feasible to use traditional machine learning methods for Industry 4.0 settings.

연구 동기 및 목표

• 센서 네트워크에서 유래한 복잡하고 상호 연결된 산업 데이터에 기존 기계 학습 기법을 적용하는 데 도전 과제를 해결하기 위해.
• 산업 4.0 환경에서 직접 그래프 분석을 수행할 경우 발생하는 계산 및 저장 비용을 줄이기 위해.
• 임베딩을 통해 그래프 구조의 데이터를 문맥 기반 특징 벡터로 변환함으로써 기존 데이터 마이닝 도구의 효과적인 활용을 가능하게 하기 위해.
• 예측 정비, 가상 프로토타이핑, 개인화된 제품 설계와 같은 고도의 산업 4.0 응용 분야를 지원하기 위해.
• 특정 산업 응용 분야에 맞게 적절한 그래프 임베딩 유형(노드, 엣지, 하이브리드, 전체 그래프)을 선택할 수 있도록 작업 중심의 프레임워크를 제공하기 위해.

제안 방법

• 노드, 엣지, 부분 그래프를 구조적 및 속성 기반 관계를 유지하면서 저차원 벡터 공간으로 매핑하기 위해 그래프 임베딩 기법을 활용한다.
• 임베딩 공간에서 연결된 노드의 근접성과 엣지 재구성 확률과 같은 성질을 최적화하는 목적 함수를 사용한다.
• 산업 IoT 환경에서 흔히 볼 수 있는 레이블이 부여된, 방향성 있는 이질적 그래프에 임베딩을 적용하며, 노드 및 엣지 속성을 통합한다.
• 기존 기계 학습 모델 훈련에 적합한 문맥 기반 특징 벡터로 임bed딩된 벡터를 변환한다.
• 설계 추천 및 가상 프로토타이핑에 활용하기 위해 고객 선호도와 제품 특징을 모델링하기 위해 지식 그래프를 통합한다.
• 노드 분류, 링크 예측, 산업 시스템에서의 이질성 탐지와 같은 후행 작업을 위해 임베딩 표현을 활용한다.

실험 결과

연구 질문

• RQ1 어떻게 그래프 임베딩 기법이 산업 센서 네트워크의 구조적 및 의미적 복잡성을 효과적으로 표현할 수 있는가?
• RQ2 산업 4.0 환경에서 흔히 볼 수 있는 레이블이 부여된, 방향성 있는 이질적 그래프에 가장 적합한 임베딩 방법은 무엇인가?
• RQ3 임베딩된 그래프 표현이 산업 응용 분야에서 기존 기계 학습 모델의 성능을 얼마나 향상시킬 수 있는가?
• RQ4 임베딩된 지식 그래프는 제조 분야에서 가상 프로토타이핑과 개인화된 제품 설계를 어떻게 지원할 수 있는가?
• RQ5 확장성 있고 실시간 분석이 가능한 그래프 구조의 산업 데이터를 벡터 공간으로 매핑하는 데 가장 효과적인 방법은 무엇인가?

주요 결과

• 그래프 임베딩은 복잡한 산업 그래프를 저차원 벡터 표현으로 효율적으로 변환함으로써 표준 기계 학습 파ip라인과의 호환성을 보장한다.
• 임베딩 기법을 사용할 경우 직접 그래프 분석에 비해 계산 및 저장 오버헤드가 크게 감소하여 확장성 향상이 가능하다.
• 노드 및 엣지 임베딩은 구조적 관계와 속성 정보를 유지하며, 예측 정비 및 이질성 탐지와 같은 작업에 기여한다.
• 임베딩된 지식 그래프로 강화된 가상 프로토타이핑은 더 빠르고 저렴하며 신뢰도가 높은 제품 설계를 가능하게 하여 시장 진입 시간을 단축시킨다.
• 임베딩 기반 추천 시스템은 고객 선호도와 특징 간의 관계를 모델링함으로써 혁신적 또는 개인화된 제품 설계를 생성할 수 있다.
• 이 프레임워크는 기계 장비의 상태 모니터링부터 글로벌 데이터 통합을 통한 전략적 시설 계획에 이르기까지 다양한 산업 4.0 응용 분야를 지원한다.