[논문 리뷰] Probabilistic Complex Event Recognition: A Survey

Elias Alevizos, Anastasios Skarlatidis외 2명|arXiv (Cornell University)|2017. 02. 21.

Advanced Database Systems and Queries참고 문헌 57인용 수 6

한 줄 요약

이 종합적 검토에서는 사건 스트림 내 불확실성을 다루는 확률적 복합 이벤트 인식(CER) 기법에 대한 포괄적인 분석을 제시한다. 주로 유한 상태 기계, 확률적 그래픽 모델, 일阶 논리, 페트리 넷, 문법을 중심으로 다루며, 표현력, 확률 모델링, 성능 측면에서의 주요 한계를 규명하고, 불확실성 인식이 가능한 확장성 있고 실시간 CER 시스템을 위한 향후 연구 방향을 제시한다.

ABSTRACT

Complex Event Recognition applications exhibit various types of uncertainty, ranging from incomplete and erroneous data streams to imperfect complex event patterns. We review Complex Event Recognition techniques that handle, to some extent, uncertainty. We examine techniques based on automata, probabilistic graphical models and first-order logic, which are the most common ones, and approaches based on Petri Nets and Grammars, which are less frequently used. A number of limitations are identified with respect to the employed languages, their probabilistic models and their performance, as compared to the purely deterministic cases. Based on those limitations, we highlight promising directions for future work.

연구 동기 및 목표

• 불확실성 하에서 복합 이벤트 인식을 위한 기존 접근법에 대한 체계적 검토를 제공한다.
• 언어 표현력, 확률 모델링, 계산 성능 측면에서 현재 CER 시스템의 한계를 규명한다.
• 유한 상태 기계, 확률적 그래픽 모델, 일阶 논리, 페트리 넷, 문법 기반 기법들이 불확실성을 어떻게 다루는지 비교한다.
• 표준 벤치마크 부족, 분산 추론 지원 제한, 전문가가 정의한 파rameter에 의존하는 것과 같은 열린 과제를 부각시킨다.
• 확장성 있고 실시간이며 불확실성 인식이 가능한 CER 시스템을 위한 유망한 향후 연구 방향을 제안한다.

제안 방법

• 기반 형식 체계에 따라 CER 기법을 분류한다: 유한 상태 기계, 확률적 그래픽 모델, 일阶 논리, 페트리 넷, 문법.
• 시간 모델링 지원, 배경 지식 지원, 독립성 가정, 불확실성 유형(데이터 및 패턴) 등의 차원에서 각 방법을 평가한다.
• 마진형 및 MAP 추론, 신뢰도 임계값, 근사 추론 지원 등의 기준을 활용해 추론 능력을 평가한다.
• 저자들이 보고한 결과를 바탕으로 처리량, 지연 시간, 분산 처리 지원 등의 성능 메트릭을 분 析한다.
• 모든 시스템을 동일 도메인에서 평가하고 비교하기 위해 영상 기반 농구 경기 예제를 지속적으로 활용한다.
• 표를 활용해 기능, 확률적 성질, 추론 능력 등을 종합적으로 정리하는 비교 프레임워크를 제안한다.

실험 결과

연구 질문

• RQ1 CER 시스템에서 불확실성 하에서 복합 이벤트 패턴을 모델링하는 데 가장 효과적인 형식 체계는 무엇인가?
• RQ2 다른 CER 접근법들은 데이터 불확실성(예: 노이즈가 있는 또는 누락된 이벤트)과 패턴 불확실성(예: 애매하거나 변동성이 있는 이벤트 정의)을 어떻게 다루는가?
• RQ3 기존의 확률적 CER 기법에서 표현력, 확률 모델링 능력, 계산 복잡도 사이의 상호 상충 관계는 어떠한가?
• RQ4 현재 시스템들은 실시간 추론, 분산 실행, 신뢰도 기반 의사결정 임계값 지원을 어느 정도 구현하고 있는가?
• RQ5 자동 파rameter 학습, 벤치마크, 확장성 측면에서 현재 CER 연구의 주요 격차는 무엇인가?

주요 결과

• 기계 기반 기법은 순서와 반복을 잘 다루지만 일반적으로 데이터 불확실성만 모델링하고 첫 번째 차수 마르코프 가정에 의존한다.
• 일阶 논리 기반 접근법은 관계 모델링, 계층 구조, 배경 지식에 대해 강력한 표현력을 제공하지만 계산 복잡도가 높은 편이다.
• 문법과 페트리 넷은 각각 재귀적 패턴과 동시성 패턴에 대해 강력한 지원을 제공하지만, 확률적 CER에서 덜 널리 사용된다.
• 대부분의 시스템은 분산 추론을 지원하지 않아 실시간 응용에 대한 확장성에 제한을 받는다.
• 패턴 가중치나 구조 학습을 지원하는 시스템은 거의 없으며, 대부분 전문가가 정의한 파rameter에 의존하기 때문에 복잡한 규칙 집합에 대한 확장성에 한계가 있다.
• 표준화된 벤치마크 부족으로 인해 시스템 간의 경험적 비교가 어렵지만, 향후 연구에서 이러한 평가 프레임워크의 필요성은 여전히 높다.