[논문 리뷰] Unsupervised Activity Discovery and Characterization From Event-Streams

Rafay Hammid, Siddhartha Maddi외 4명|arXiv (Cornell University)|2012. 07. 04.

Time Series Analysis and Forecasting참고 문헌 12인용 수 4

한 줄 요약

이 논문은 이벤트 스트림에서 일상적인 활동을 발견하고 특성화하기 위한 비지도 학습 프레임워크를 제안한다. 활동을 이벤트 n-그램의 집합으로 모델링하고, 가중치가 부여된 그래프에서 최대 클리크를 사용하여 활동 클래스를 식별한다. 또한 변형 길이 마르코프 모델을 활용해 반복적인 이벤트 모티프를 추출하며, 레이블이 없는 데이터로도 다양한 실제 환경에서 뛰어난 성능을 보인다.

ABSTRACT

We present a framework to discover and characterize different classes of everyday activities from event-streams. We begin by representing activities as bags of event n-grams. This allows us to analyze the global structural information of activities, using their local event statistics. We demonstrate how maximal cliques in an undirected edge-weighted graph of activities, can be used for activity-class discovery in an unsupervised manner. We show how modeling an activity as a variable length Markov process, can be used to discover recurrent event-motifs to characterize the discovered activity-classes. We present results over extensive data-sets, collected from multiple active environments, to show the competence and generalizability of our proposed framework.

연구 동기 및 목표

• 원시 이벤트 스트림 데이터로부터 구분되는 활동 클래스를 비지도 학습 방법으로 탐지하는 것.
• 이벤트 n-그램과 기반 그래프 클러스터링을 사용하여 활동 내 구조적 및 순차적 패턴을 모델링하는 것.
• 변형 길이 마르코프 모델을 통해 반복적인 이벤트 모티프를 식별하여 탐지된 활동 클래스를 특성화하는 것.
• 다양한 데이터를 포함한 다수의 실제 환경에서 프레임워크의 일반화 능력과 성능을 평가하는 것.
• 이벤트 시퀀스에서 완전히 비지도 학습이 가능하도록 사전 레이블링된 데이터에 의존하지 않도록 하는 것.

제안 방법

• 활동을 이벤트 n-그램의 집합으로 표현하여 국소적 이벤트 통계와 전반적인 구조적 패턴을 포착하는 것.
• 노드가 활동을 나타내고, 간선이 n-그램 겹침 기반 유사도를 반영하는 무방향, 간선에 가중치가 부여된 그래프를 구축하는 것.
• 그래프 내 최대 클리크 탐지를 통해 유사도가 높은 활동 집합을 식별하고, 이를 후보 활동 클래스로 삼는 것.
• 각 탐지된 활동 클래스를 변형 길이 마르코프 과정으로 모델링하여 반복적인 이벤트 모티프를 추출하는 것.
• 실제 활동 환경에서 수집된 다수의 이벤트 스트림에 프레임워크를 적용하여 확장성과 강건성을 테스트하는 것.
• 인간 레이블링된 활동 레이블에 의존하지 않도록 비지도 학습을 활용하는 것.

실험 결과

연구 질문

• RQ1 사전 레이블링 없이 비구조적 이벤트 스트림에서 활동 클래스를 어떻게 탐지할 수 있는가?
• RQ2 어떤 그래프 기반 기법이 비지도 방식으로 비슷한 활동을 효과적으로 클러스터링할 수 있는가?
• RQ3 반복적인 이벤트 모티프를 자동으로 추출하여 탐지된 활동 클래스를 어떻게 특성화할 수 있는가?
• RQ4 프레임워크는 다양한 실제 환경에서 얼마나 잘 일반화되는가?
• RQ5 변형 길이 마르코프 모델은 자연스러운 인간 활동의 순차적 구조를 효과적으로 포착할 수 있는가?

주요 결과

• 가중치가 부여된 활동 그래프에서 최대 클리크 접근법이 지도 학습 없이도 일관되고 명확한 활동 클래스를 성공적으로 식별했다.
• 프레임워크는 가정과 사무실을 포함한 다양한 활동 패턴을 가진 실제 환경에서 강력한 일반화 능력을 보였다.
• 변형 길이 마르코프 모델이 각 탐지된 활동 클래스를 특성화하는 데 의미 있는 반복적인 이벤트 모티프를 효과적으로 추출했다.
• 이벤트 n-그램의 사용은 국소적 및 전반적인 구조적 특징을 포착함으로써 활동의 강건한 표현을 가능하게 했다.
• 인간 레이블링된 학습 데이터가 전혀 필요 없이도 신뢰할 수 있는 활동 탐지 및 특성화를 달성했다.
• 광범위한 데이터셋에 대한 실증 결과는 프레임워크가 실제 환경에서 성능과 확장성 면에서 우수한 능력을 지녔음을 확인했다.