Learning Semantic Association Rules from Internet of Things Data

要約

アソシエーション ルール マイニング (ARM) は、論理的な意味合いの形でデータの共通点を発見するタスクです。
ARM は、モノのインターネット (IoT) で監視や意思決定などのさまざまなタスクに使用されます。
ただし、既存の方法では、異種性やボリュームなどの IoT 固有の要件への考慮が限定されています。
さらに、ナレッジ グラフとして表現されることが増えている、IoT システムに関する重要な静的なドメイン固有の記述データは利用されていません。
このペーパーでは、動的センサー データと静的 IoT システム メタデータの両方を利用する、IoT データ用の新しい ARM パイプラインを提案します。
さらに、大量の IoT データに対処し、処理にリソースを大量に消費するルールの総数を削減するためのパイプラインの一部として、オートエンコーダー ベースのニューロシンボリック ARM メソッド (Aerial) を提案します。
Aerial は、特定のデータのニューラル表現を学習し、オートエンコーダーの再構成 (デコード) メカニズムを利用して、この表現から相関ルールを抽出します。
2 つのドメインからの 3 つの IoT データセットに対する広範な評価では、静的および動的 IoT データの両方に対する ARM により、より一般的に適用可能なルールが得られる一方で、Aerial は完全な機能を備えた最先端のルールよりも簡潔な高品質の関連付けルールのセットを学習できることが示されています。
データセット全体をカバーします。

要約(オリジナル)

Association Rule Mining (ARM) is the task of discovering commonalities in data in the form of logical implications. ARM is used in the Internet of Things (IoT) for different tasks including monitoring and decision-making. However, existing methods give limited consideration to IoT-specific requirements such as heterogeneity and volume. Furthermore, they do not utilize important static domain-specific description data about IoT systems, which is increasingly represented as knowledge graphs. In this paper, we propose a novel ARM pipeline for IoT data that utilizes both dynamic sensor data and static IoT system metadata. Furthermore, we propose an Autoencoder-based Neurosymbolic ARM method (Aerial) as part of the pipeline to address the high volume of IoT data and reduce the total number of rules that are resource-intensive to process. Aerial learns a neural representation of a given data and extracts association rules from this representation by exploiting the reconstruction (decoding) mechanism of an autoencoder. Extensive evaluations on 3 IoT datasets from 2 domains show that ARM on both static and dynamic IoT data results in more generically applicable rules while Aerial can learn a more concise set of high-quality association rules than the state-of-the-art with full coverage over the datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google