[论文解读] A Model for Reasoning with Uncertain Rules in Event Composition Systems

Segev Wasserkrug, Avigdor Gal+1 more|arXiv (Cornell University)|Jul 4, 2012

Bayesian Modeling and Causal Inference参考文献 9被引用 20

一句话总结

本文提出了一种形式化的概率框架，用于在事件组合系统中处理不确定规则，使主动系统能够从复杂、时序相关且不确定的触发条件中推断事件。通过动态构建贝叶斯网络，该模型量化了事件发生的概率，首次系统性地提出了使用概率理论处理主动系统中不确定性的方法。

ABSTRACT

In recent years, there has been an increased need for the use of active systems - systems required to act automatically based on events, or changes in the environment. Such systems span many areas, from active databases to applications that drive the core business processes of today's enterprises. However, in many cases, the events to which the system must respond are not generated by monitoring tools, but must be inferred from other events based on complex temporal predicates. In addition, in many applications, such inference is inherently uncertain. In this paper, we introduce a formal framework for knowledge representation and reasoning enabling such event inference. Based on probability theory, we define the representation of the associated uncertainty. In addition, we formally define the probability space, and show how the relevant probabilities can be calculated by dynamically constructing a Bayesian network. To the best of our knowledge, this is the first work that enables taking such uncertainty into account in the context of active systems. herefore, our contribution is twofold: We formally define the representation and semantics of event composition for probabilistic settings, and show how to apply these extensions to the quantification of the occurrence probability of events. These results enable any active system to handle such uncertainty.

研究动机与目标

• 解决从主动系统中不确定、复杂的时序谓词推断事件的挑战。
• 形式化表示和语义定义在概率不确定性下的事件组合。
• 使主动系统能够基于不确定规则量化事件发生的可能性。
• 提供一个将概率理论与事件驱动系统相结合的框架，以实现实时推理。

提出的方法

• 该框架使用概率理论表示事件组合规则中的不确定性。
• 它基于潜在的概率依赖关系，正式定义了事件发生的概率空间。
• 系统动态构建贝叶斯网络，以计算推断事件的概率。
• 时序谓词被建模为事件序列上的概率约束。
• 该方法支持增量推理，允许在新事件到达时实时更新。
• 该模型将基于规则的推理与概率推理相结合，以支持不确定性下的决策制定。

实验结果

研究问题

• RQ1 当触发事件不确定时，如何正式表示事件组合规则？
• RQ2 在主动系统中建模不确定事件组合时，合适的概率空间是什么？
• RQ3 当事件由不确定且时序相关的规则推导得出时，如何定量计算其发生的概率？
• RQ4 何种机制能够在不确定性存在的情况下实现动态且可扩展的推理？

主要发现

• 所提出的模型是首个使用概率理论在主动系统中正式整合不确定性的事件组合方法。
• 该框架通过动态构建贝叶斯网络，实现了对事件发生概率的精确量化。
• 该方法支持对具有不确定前件的复杂时序谓词进行推理。
• 该模型为在不确定性环境下运行的主动系统提供了可扩展且可扩展的基础。