[论文解读] Probabilistic Complex Event Recognition: A Survey

Elias Alevizos, Anastasios Skarlatidis+2 more|arXiv (Cornell University)|Feb 21, 2017

Advanced Database Systems and Queries参考文献 57被引用 6

一句话总结

本综述全面分析了处理事件流中不确定性的概率复杂事件识别（CER）技术，重点关注有限状态自动机、概率图模型、一阶逻辑、佩特里网和语法。它指出了在表达能力、概率建模和性能方面的主要局限性，并提出了未来研究方向，以实现可扩展、实时的、具备不确定性感知推理能力的CER系统。

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.

研究动机与目标

• 提供现有在不确定性条件下进行复杂事件识别方法的系统性综述。
• 识别当前CER系统在语言表达能力、概率建模和计算性能方面存在的局限性。
• 比较基于自动机、概率图模型、一阶逻辑、佩特里网和语法的技术在处理不确定性方面的表现。
• 突出开放性挑战，如缺乏标准基准、对分布式推理支持有限，以及对专家定义参数的依赖。
• 提出有前景的未来研究方向，以实现可扩展、实时且具备不确定性感知能力的CER系统。

提出的方法

• 根据底层形式化方法对CER技术进行分类：自动机、概率图模型、一阶逻辑、佩特里网和语法。
• 从时间建模支持、背景知识支持、独立性假设和不确定性类型（数据和模式）等维度评估每种方法。
• 基于边缘推理、MAP推理、置信度阈值和近似推理支持等标准，评估推理能力。
• 基于作者报告的结果，分析吞吐量、延迟和分布式支持等性能指标。
• 使用一个基于视频的篮球比赛示例，在同一领域内评估和比较各系统。
• 提出一种比较框架，通过表格总结各系统在功能、概率属性和推理能力方面的特征。

实验结果

研究问题

• RQ1 在CER系统中，哪些形式化方法在不确定性下对复杂事件模式建模最为有效？
• RQ2 不同CER方法如何处理数据不确定性（如噪声或缺失事件）和模式不确定性（如模糊或可变的事件定义）？
• RQ3 现有概率CER技术在表达能力、概率建模能力与计算复杂性之间存在何种权衡？
• RQ4 当前系统在多大程度上支持实时推理、分布式执行和基于置信度的决策阈值？
• RQ5 当前CER研究中的主要差距是什么，特别是关于自动化参数学习、基准测试和可扩展性方面？

主要发现

• 基于自动机的方法在处理序列和迭代方面表现良好，但通常仅建模数据不确定性，并依赖一阶马尔可夫假设。
• 一阶逻辑方法在关系建模、层次结构和背景知识表达方面具有强大表达能力，但计算复杂度较高。
• 语法和佩特里网分别在递归和并发模式支持方面表现强劲，但在概率CER中使用较少。
• 大多数系统不支持分布式推理，限制了其在实时应用中的可扩展性。
• 极少有系统支持模式权重或结构的学习，而是依赖专家定义的参数，这限制了复杂规则集的可扩展性。
• 缺乏标准化基准阻碍了系统间的实证比较，尽管未来工作迫切需要此类评估框架。