[论文解读] Multi-Sensor Data and Knowledge Fusion -- A Proposal for a Terminology Definition

Silvia Beddar-Wiesing, Maarten Bieshaar|arXiv (Cornell University)|Jan 13, 2020

Target Tracking and Data Fusion in Sensor Networks参考文献 29被引用 10

一句话总结

本文提出了一套用于多传感器数据与知识融合的标准化术语和本体论，基于扩展的DIKW层级定义了融合组件（数据、信息、知识、理解、智慧）及融合层级。提出‘融合层级彩虹’以澄清术语，减少融合文献中的歧义，并综述了各层级的常见融合技术，从而在机器学习和数据挖掘场景中实现一致的应用。

ABSTRACT

Fusion is a common tool for the analysis and utilization of available datasets and so an essential part of data mining and machine learning processes. However, a clear definition of the type of fusion is not always provided due to inconsistent literature. In the following, the process of fusion is defined depending on the fusion components and the abstraction level on which the fusion occurs. The focus in the first part of the paper at hand is on the clear definition of the terminology and the development of an appropriate ontology of the fusion components and the fusion level. In the second part, common fusion techniques are presented.

研究动机与目标

• 解决多传感器数据与知识融合文献中术语不一致的问题。
• 基于扩展的DIKW层级定义融合组件（数据、信息、知识、理解、智慧）。
• 基于抽象层次和组件类型，建立清晰且无歧义的融合层级分类。
• 提供一个标准化框架，以选择和应用适当的融合技术。
• 支持在研究与应用中对融合算法进行一致的描述与比较。

提出的方法

• 通过将‘理解’视为层级间推进的条件而非独立层级，扩展传统DIKW层级。
• 基于抽象层次定义融合组件：数据（原始观测）、信息（处理后的数据）、知识（模式与规则）、理解（上下文洞察）、智慧（判断与价值评估）。
• 引入‘融合层级彩虹’作为可视化与概念模型，以表示融合层级与组件的完整谱系。
• 按层级对融合技术进行分类：数据级（例如，图像融合）、特征级（例如，参数融合）、决策级（例如，集成模型）、知识级（例如，模型组合）。
• 提出具体融合算法，如使用共轭先验（例如，正态-Wishart分布、狄利克雷分布）的贝叶斯参数融合，用于生成分类器。
• 描述决策融合方法，包括集成学习（例如，AdaBoost）、基于分解的预测方法，以及带软或硬门控的专家混合模型。

实验结果

研究问题

• RQ1 如何解决数据与知识融合中术语不一致的问题，以提升可复现性与可比性？
• RQ2 各融合组件的适当抽象层次是什么？其与DIKW层级的关系如何？
• RQ3 如何在不同融合类型中清晰区分并系统化分类融合层级？
• RQ4 哪些融合技术最适合各融合层级？它们在实现上有什么差异？
• RQ5 理解在融合过程中扮演何种角色？应如何在融合模型中正式表示理解？

主要发现

• 扩展的DIKW层级（理解作为层级间推进的条件）为融合组件的分类提供了更准确且适用的框架。
• 融合层级彩虹模型成功地将所有融合组件与层级整合为一个连贯且无歧义的本体论。
• 使用共轭先验（如正态-Wishart分布、狄利克雷分布）的参数融合，可实现概率模型的数学上严谨的组合，并支持闭式后验更新。
• 通过AdaBoost等集成方法实现的决策融合，可通过组合多个模型提升预测鲁棒性。
• 通过模型组合（如CMMs）实现的知识融合，可通过整合在不同数据子集上训练的多个生成分类器，实现更好的泛化能力。
• 所提出的术语与框架显著减少了融合文献中的歧义，并支持在机器学习与传感器融合系统中的一致应用。