[논문 리뷰] Multi-Sensor Data and Knowledge Fusion -- A Proposal for a Terminology Definition

Silvia Beddar-Wiesing, Maarten Bieshaar|arXiv (Cornell University)|2020. 01. 13.

Target Tracking and Data Fusion in Sensor Networks참고 문헌 29인용 수 10

한 줄 요약

이 논문은 다중 센서 데이터 및 지식 융합을 위한 표준화된 용어와 온톨로지 체계를 제안하며, 융합 구성요소(데이터, 정보, 지식, 이해, 지혜)와 확장된 DIKW 계층을 활용한 융합 수준을 정의한다. 융합 수준 레인보우를 도입하여 용어를 명확히 하고 융합 문헌 내의 모호함을 줄이며, 다양한 수준에서 일반적인 융합 기법을 조사하여 기계 학습 및 데이터 마이닝 환경에서 일관된 적용을 가능하게 한다.

ABSTRACT

Fusion is a common tool for the analysis and utilization of available datasets and so an essential part of data mining and machine learning processes. However, a clear definition of the type of fusion is not always provided due to inconsistent literature. In the following, the process of fusion is defined depending on the fusion components and the abstraction level on which the fusion occurs. The focus in the first part of the paper at hand is on the clear definition of the terminology and the development of an appropriate ontology of the fusion components and the fusion level. In the second part, common fusion techniques are presented.

연구 동기 및 목표

• 다중 센서 데이터 및 지식 융합 문헌 내에서 일관되지 않은 용어를 해결하기 위해.
• 확장된 DIKW 계층을 활용해 융합 구성요소(데이터, 정보, 지식, 이해, 지혜)를 정의하기 위해.
• 추상화 수준과 구성요소 유형에 기반해 명확하고 모호하지 않은 융합 수준 분류 체계를 수립하기 위해.
• 적절한 융합 기법을 선택하고 적용하기 위한 표준화된 프레임워크를 제공하기 위해.
• 연구 및 응용 분야에서 융합 알고리즘의 기술 및 비교를 일관되게 지원하기 위해.

제안 방법

• 기존 DIKW 계층을 확장하여 '이해'를 수준 간 전이 조건로 간주하고 별도의 수준로 간주하지 않는다.
• 추상화 수준에 기반한 융합 구성요소 정의: 데이터(원시 관측치), 정보(처리된 데이터), 지식(패턴 및 규칙), 이해(맥락적 통찰), 지혜(판단 및 가치 평가).
• 융합 수준 레인보우를 도입하여 융합 수준과 구성요소의 전반적인 스펙트럼을 시각적·개념적으로 표현하는 모델로 활용한다.
• 융합 기법을 수준별로 분류: 데이터 수준(예: 이미지 융합), 특징 수준(예: 파rameter 융합), 결정 수준(예: 앙상블 모델), 지식 수준(예: 모델 조합).
• 특정 융합 알고리즘 제시: 생성 분류기용 공액 사전을 활용한 베이지안 파라미터 융합(예: 정규-위샤르, 딜레트).
• 결정 융합 방법 기술: 앙상블 학습(예: AdaBoost), 분해 기반 예측, 소프트 또는 하드 게이팅을 갖는 전문가의 혼합 모델.

실험 결과

연구 질문

• RQ1 데이터 및 지식 융합에서 일관되지 않은 용어는 어떻게 해결할 수 있으며, 이는 재현성과 비교 가능성 향상에 어떻게 기여하는가?
• RQ2 각 융합 구성요소에 적절한 추상화 수준은 무엇이며, 이는 DIKW 계층과 어떻게 관련되는가?
• RQ3 다양한 융합 유형 간 융합 수준은 어떻게 명확히 구분하고 체계적으로 분류할 수 있는가?
• RQ4 각 융합 수준에 가장 적합한 융합 기법은 무엇이며, 이들의 구현 방식은 어떻게 다를 수 있는가?
• RQ5 이해는 융합 과정에서 어떤 역할을 하며, 융합 모델에 공식적으로 표현하기 위해선 어떻게 해야 하는가?

주요 결과

• 이해가 수준 간 전이 조건으로 작용하는 확장된 DIKW 계층은 융합 구성요소를 분류하는 데 더 정확하고 적용 가능한 프레임워크를 제공한다.
• 융합 수준 레인보우 모델은 모든 융합 구성요소와 수준을 통합하여 일관되고 모호하지 않은 온톨로지를 성공적으로 구현한다.
• 공액 사전(예: 정규-위샤르, 딜레트)을 활용한 파라미터 융합은 닫힌 형태의 사후 분포 갱신을 가능하게 하여 수학적으로 타당한 확률 모델 조합을 가능하게 한다.
• AdaBoost 및 전문가의 혼합 모델과 같은 앙상블 방법을 통한 결정 융합은 다수의 모델을 조합함으로써 예측의 견고성을 향상시킨다.
• 모델 조합(예: CMMs)을 활용한 지식 융합은 서로 다른 데이터 서브셋에서 학습된 다수의 생성 분류기를 통합함으로써 일반화 능력을 향상시킨다.
• 제안된 용어 체계와 프레임워크는 융합 문헌 내의 모호함을 줄이고 기계 학습 및 센서 융합 시스템에서의 일관된 적용을 지원한다.