[논문 리뷰] Reasoning for Improved Sensor Data Interpretation in a Smart Home

Marjan Alirezaie, Amy Loutfi|arXiv (Cornell University)|2014. 12. 26.

Semantic Web and Ontologies참고 문헌 5인용 수 8

한 줄 요약

이 논문은 스마트 홈에서 복잡한 시계열 가스 센서 데이터를 해석하기 위해 답변 집합 프로그래밍(ASP)을 사용하는 온톨로지 기반 비단조화 추론 프레임워크를 제안한다. SSN 기반 온톨로지로 센서 데이터와 맥락 지식을 모델링하고, 증분적 ASP 솔버를 적용하여 저수준 센서 신호에서 이상 공기 냄새와 그 원인(예: 썩은 쓰레기)을 효율적으로 추론한다. 이로 인해 단조화 추론기보다 훨씬 빠른 추론 시간을 기록하며 확장성 있고 실시간 추론이 가능해진다.

ABSTRACT

In this paper an ontological representation and reasoning paradigm has been proposed for interpretation of time-series signals. The signals come from sensors observing a smart environment. The signal chosen for the annotation process is a set of unintuitive and complex gas sensor data. The ontology of this paradigm is inspired form the SSN ontology (Semantic Sensor Network) and used for representation of both the sensor data and the contextual information. The interpretation process is mainly done by an incremental ASP solver which as input receives a logic program that is generated from the contents of the ontology. The contextual information together with high level domain knowledge given in the ontology are used to infer explanations (answer sets) for changes in the ambient air detected by the gas sensors.

연구 동기 및 목표

• 스마트 홈에서 직관적이지 않고 복잡한 가스 센서 데이터를 상징적 지식을 사용하여 해석하는 데 도전하는 것.
• 부족하거나 불확실한 센서 데이터와 동적인 환경 변화를 다루기 위해 비단조화 추론을 가능하게 하는 것.
• 고수준 도메인 지식(예: 냄새와 그 원인)을 저수준 센서 관측치와 통합하여 자동 설명 생성을 가능하게 하는 것.
• 증분적 ASP를 통해 동적인 센서 환경에서 추론 효율성과 확장성을 향상시키는 것.
• SSN 같은 의미적 센서 온톨로지와 ASP와 같은 비단조화 추론 기법 간 격차를 메우는 것.

제안 방법

• SSN 온톨로지에서 영감을 얻은 온톨로지가 센서, 관측치, 맥락적 특성, 냄새와 그 원인과 같은 도메인 특화 개념을 표현하는 데 사용된다.
• 고수준 도메인 지식과 맥락 정보는 명시적이고 암시적인 사건을 포함하여 온톨로지 내에서 논리 규칙으로 인코딩된다.
• 온톨로지에서 자동으로 논리 프로그램이 생성되어 증분적 답변 집합 프로그래밍(ASP) 솔버의 입력으로 사용된다.
• 증분적 ASP 솔버는 시간 태그가 부여된 센서 표현(예: '오븐 케이스', '문 열림')을 처리하고, 부정법을 사용하여 공기 질에 대한 비단조화 설명(답안 집합)을 추론한다.
• 암시적 사건(예: '요리 중', '썩은 냄새')은 사전 정의된 논리 규칙을 사용해 명시적 표현의 조합으로 유도된다.
• 새로운 센서 데이터가 도착함에 따라 증분적으로 기반화하고 해결하는 방식으로 스트림 추론을 지원한다.

실험 결과

연구 질문

• RQ1 어떻게 온톨로지 기반 지식 표현 모델을 사용하여 스마트 홈에서 복잡하고 직관적이지 않은 가스 센서 신호를 해석할 수 있는가?
• RQ2 비단조화 추론은 부족하거나 불확실한 센서 데이터와 동적인 환경 변화를 다루는 데 어떤 역할을 하는가?
• RQ3 증분적 ASP 솔버는 실시간 센서 해석에서 추론 효율성과 확장성을 어떻게 향상시킬 수 있는가?
• RQ4 자동 논리 프로그램 생성을 통해 SSN 기반 온톨로지를 비단조화 추론 기법과 얼마나 효과적으로 통합할 수 있는가?
• RQ5 센서 표현 간의 시간적 관계는 원인 사건(예: 썩은 쓰레기)의 추론에 어떻게 영향을 미치는가?

주요 결과

• 증분적 ASP 솔버는 단조화 Pellet 추론기보다 추론 시간을 크게 단축시켜 센서 데이터의 확장성 있고 실시간 해석을 가능하게 했다.
• 5일 관측 기간 동안, ASP 기반 시스템의 개체 수는 약 1,512,907개에 도달했고, 단조화 Pellet 추론기는 개방 세계 가정으로 인해 약 2,174,903개의 개체를 생성했다.
• ASP에서의 부정법 사용은 더 적은 기반화된 개체를 만들어내어 계산 효율성을 향상시키고 메모리 오버헤드를 줄였다.
• 시스템은 '문 열림'과 '오븐 케이스'와 같은 센서 표현에서 이상 공기 냄새 사건(예: 'airSmellAbnormal')과 그 원인(예: 'smellRotting')을 성공적으로 추론했다.
• 온톨로지에서 논리 프로그램을 자동 생성함으로써 수동 작업을 최소화했고, 암시적 사건 규칙만 수동으로 정의가 필요했다.
• 증분적 추론을 통해 새로운 관측치가 들어올 때마다 전체 재처리를 피함으로써, 대량의 시계열 센서 데이터를 효율적으로 처리하는 확장성 있는 프레임워크를 입증했다.