• MScBSc
  • Γνώσεις τεχνικών βαθειάς μάθησης (Deep Learning)
  • Γνώσεις λογικού προγραμματισμού (Prolog)
  • Alexandros Artikis
  • a.artikis [at] iit.demokritos.gr

Η αναγνώριση σύνθετων γεγονότων περιλαμβάνει την έγκαιρη και αποδοτική ανίχνευση χωρο-χρονικών μοτίβων πάνω σε ταχύτατες ροές δεδομένων που αποτελούνται από απλές ενδείξεις χαμηλού επιπέδου. Έπειτα από προεπεξεργασία πάνω στις ενδείξεις αυτές, προκύπτουν «απλά γεγονότα». Στη συνέχεια, ένα σύστημα αναγνώρισης σύνθετων γεγονότων επεξεργάζεται τα απλά γεγονότα αυτά και συμπεραίνει «σύνθετα γεγονότα», δηλαδή μοτίβα απλών γεγονότων, σε συνδυασμό πιθανώς και με άλλες συνθήκες. Στη βιβλιογραφία συναντάμε διάφορα συστήματα όπου ο συμπερασμός απλών γεγονότων από ενδείξεις χαμηλού επιπέδου γίνεται με χρήση νευρωνικών δικτύων [1]. Επιπλέον, τα συστήματα αναγνώρισης σύνθετων γεγονότων μπορούν και επεξεργάζονται αυτή την πληροφορία, πολύ συχνά με χρήση κανόνων λογικής [2] ή αυτομάτων [3]. Σκοπός της παρούσας εργασίας είναι η ανάπτυξη ενός υβριδικού συστήματος αναγνώρισης γεγονότων που θα λειτουργεί σε δύο επίπεδα. Στο πρώτο επίπεδο θα γίνεται η εξαγωγή των απλών γεγονότων με χρήση νευρωνικών δικτύων, ενώ στο δεύτερο θα γίνεται η αναγνώριση σύνθετων γεγονότων με χρήση τεχνικών συμβολικής αναπαράστασης και συμπερασμού (πχ [2,3,4]). Το τελικό σύστημα θα μπορεί να διαχειρίζεται με επιτυχία ροές δεδομένων ώστε να χρησιμοποιείται αποτελεσματικά σε πραγματικές εφαρμογές, όπως στην αξιολόγηση προσομοιώσεων καρκινικών κυττάρων και την επιτήρηση ναυτιλιακών δραστηριοτήτων.

Βιβλιογραφία:
[1] https://arxiv.org/pdf/2009.03420.pdf
[2] http://cer.iit.demokritos.gr/publications/papers/2015/artikis-TKDE14.pdf
[3] http://cer.iit.demokritos.gr/publications/papers/2018/Wayeb_a_Tool_for_Complex_Event_Forecasting.pdf
[4] https://arxiv.org/abs/1907.08194

 

 

Skip to content