Ολοένα και περισσότερες εφαρμογές απαιτούν την ανάλυση ροών δεδομένων χρονικής φύσης και μεγάλου όγκου/ταχύτητας, με σκοπό την έγκαιρη εξαγωγή συμπερασμάτων από τα δεδομένα και την υποβοήθηση της λήψης αποφάσεων, ή/και της βελτιστοποίησης διαδικασιών. Παραδειγματικά αναφέρονται η εποπτεία θαλάσσιων περιοχών, μέσω της ανάλυσης στιγμάτων πλοίων, με σκοπό την πρόβλεψη/αποφυγή ατυχημάτων και την ταυτοποίηση παράνομων ενεργειών, η βελτιστοποίηση της κυκλοφορίας (π.χ. αποφυγή συμφόρησης, αναγνώριση επικίνδυνης οδηγικής συμπεριφοράς) μέσω ανάλυσης ροών δεδομένων από αισθητήρες εγκατεστημένους σε οχήματα ή/και διάφορα σημεία των δρόμων, ή η βελτιστοποίηση γραμμών παραγωγής, δικτύων μεταφοράς κλπ. Η αναγνώριση σύνθετων γεγονότων (Complex Event Recognition) ασχολείται με την αναγνώριση ενδιαφέροντων μοτίβων γεγονότων από ροές χρονικών δεδομένων, π.χ. μοτίβα επικίνδυνης/ύποπτης συμπεριφοράς πλοίων, επικίνδυνης/μη οικολογικής οδήγησης κλπ. Τέτοια μοτίβα δεν είναι πάντα γνωστά, ενώ συχνά τα υπάρχοντα υπόκεινται σε αλλαγές ή εποχικές διακυμάνσεις και νέα ενδιαφέροντα μοτίβα αναδύονται, καθώς αλλάζουν οι εισερχόμενες ροές δεδομένων. Έτσι, η χρήση τεχνικών μηχανικής μάθησης για την αυτόματη ανακάλυψη/αναθεώρηση μοτίβων σύνθετων γεγονότων από ροές δεδομένων παρουσιάζει μεγάλο ερευνητικό ενδιαφέρον. Στο πλαίσιο αυτής της εργασίας θα μελετηθούν τέτοιες τεχνικές μηχανικής μάθησης για αναγνώριση γεγονότων. Σημείο αφετηρίας είναι κάποιες υπάρχουσες τεχνικές εκμάθησης χρονικών λογικών, στις οποίες τα μοτίβα σύνθετων γεγονότων εκφράζονται ως λογικοί κανόνες. Ανάλογα με τα ενδιαφέροντα των φοιτητών, η εργασία μπορεί να κινηθεί προς διάφορες κατευθύνσεις, όπως για παράδειγμα:
– Προσαρμοστικοί αλγόριθμοι μάθησης και αναθεώρηση μοντέλων/υποθέσεων.
– Κατανεμημένη μηχανική μάθηση από ροές δεδομένων.
– Τεχνικές μηxανικής μάθησης με περιορισμένη εποπτεία (semi-supervised learning, active learning).
– Κλιμακώσιμες μέθοδοι για στατιστική σχεσιακή μάθηση (statistical relational learning), όπου συνδυάζεται η λογική με τη θεωρία πιθανοτήτων, με σκοπό το χειρισμό θορύβου και αβεβαιότητας.
– Τεχνικές εκμάθησης σειριακών (sequential) μοτίβων.
– Συνδυασμός τεχνικών για εκμάθηση λογικών θεωριών με deep learning τεχνικές σε χρονικά δεδομένα (π.χ. συνδυασμός representation learning και λογικής, knowledge graph embeddings κλπ).
Ενδεικτική Βιβλιογραφία:
– N. Katzouris, A. Artikis, G. Paliouras (2016). Online Learning of Event Definitions. Theory & Practice of Logic Programming (TPLP), 16(5-6): 817-833
– Katzouris N, Michelioudakis E., Artikis A. and Paliouras G. (2018) Online Learning of Weighted Relational Rules for Complex Event Recognition, European Conference on Machine Learning (ECML-PKDD).
– Katzouris N., Artikis A. and Paliouras G. (2019), Parallel Online Event Calculus Learning for Complex Event Recognition, Future Generation Computer Systems, Vol. 94, pp. 468-478.