Over the past few decades, machine learning has led to substantial changes in Data Fusion Systems throughout the world. One of the most important application areas for data fusion is to support situation awareness for command and control. Situation Awareness (SAW) is perception of elements in the environment, comprehension of the current situation, and projection of future status. Predictive Situation Awareness (PSAW) emphasizes the ability to make predictions about aspects of a temporally evolving situation. PSAW requires a semantically rich representation to handle a complex real world situation and ability to reason under uncertainty about the situation. Probabilistic ontologies are able to address the requirements of PSAW, by augmenting standard ontologies with support for uncertainty management. PR-OWL (Probabilistic Web Ontology Language), a representation language for probabilistic ontologies, is founded on Multi-Entity Bayesian Networks (MEBN). MEBN combines First-Order Logic with Bayesian Networks for representing and reasoning about uncertainty in complex, knowledge-rich domains. MEBN goes beyond standard Bayesian networks to enable reasoning about an unknown number of entities interacting with each other in various types of relationships, a key requirement for PSAW. MEBN models have heretofore been constructed manually by a domain expert. However, manual MEBN modeling is labor-intensive and insufficiently agile. To address these problems, an efficient method is needed for MEBN modeling. One of the methods is to use machine learning to learn a probabilistic ontology in whole or in part from data. In the era of Big Data, data-rich environments, characterized by uncertainty and complexity, have become ubiquitous. The larger the data sample is, the more accurate the results of the machine learning approach can be. Therefore, machine learning has potential to improve the quality of MEBN models. In this research, we study a machine learning method from data for MEBN-based probabilistic ontologies for PSAW. Specifically, we introduce a MEBN learning framework to develop a MEBN model from a combination of domain expert's knowledge and data. To support the framework, we present a bridge model between a MEBN model and a relational model, a reference model supporting the design of a MEBN model for PSAW, and a parameter learning algorithm given a MEBN model. The presented methodology is evaluated on three example use cases: (1) a Critical Infrastructure Defense system, (2) a Maritime Domain Awareness system, (3) a Smart Manufacturing system. Finally, we conduct an experiment to compare the MEBN learning framework and the manual MEBN modeling in terms of development efficiency.
지난 수십 년 동안 머신 러닝은 전 세계의 데이터 퓨전 시스템에서 실질적인 변화를 가져 왔습니다. 데이터 융합을 위한 가장 중요한 응용 분야 중 하나는 명령 및 제어를 위한 상황 인식을 지원하는 것입니다. 상황 인식 (SAW)은 환경의 요소에 대한 인식, 현재 상황에 대한 이해 및 미래 상태의 예측입니다. PSAW (Predictive Situation Awareness)는 일시적으로 발전하는 상황의 측면에 대해 예측하는 능력을 강조합니다. PSAW는 복잡한 실제 상황과 상황에 대한 불확실한 추론 능력을 처리하기 위해 의미적으로 풍부한 표현을 요구합니다. 확률론적 온톨로지는 불확실성 관리를 지원하는 표준 온톨로지를 보강함으로써 PSAW의 요구 사항을 해결할 수 있다. 확률론적 온톨로지를 나타내는 표현 언어인 PR-OWL (Probabilistic Web Ontology Language)은 MEBN (Multi-Entity Bayesian Networks)에 설립되었습니다. MEBN은 First-Order Logic과 Bayesian Networks를 결합하여 복잡한 지식이 풍부한 영역에서 불확실성을 표현하고 추론합니다. MEBN은 표준 베이지안 네트워크를 넘어 PSAW의 핵심 요구사항인 다양한 유형의 관계에서 서로 상호 작용하는 알려지지 않은 수의 개체에 대한 추론을 가능하게 합니다. 지금까지 MEBN 모델은 도메인 전문가에 의해 수동으로 구성되었습니다. 그러나 수동 MEBN 모델링은 노동집약적이고 민첩하지 않습니다. 이러한 문제를 해결하려면 MEBN 모델링을 위한 효율적인 방법이 필요합니다. 방법 중 하나는 머신 러닝을 사용하여 데이터 전체 또는 일부에서 확률론적 온톨로지를 학습하는 것입니다. 빅 데이터 시대에는 불확실성과 복잡성이 특징인 데이터가 풍부한 환경이 보편적으로 자리 잡고 있습니다. 데이터 샘플이 클수록 머신 러닝 접근법의 결과가 더 정확할 수 있습니다. 따라서 머신 러닝은 MEBN 모델의 품질을 향상시킬 수 있습니다. 이 연구에서는 PSAW에 대한 MEBN 기반 확률론적 온톨로지에 대한 데이터에서 기계 학습 방법을 연구합니다. 구체적으로, 우리는 도메인 전문가의 지식과 데이터의 조합으로부터 MEBN 모델을 개발하기 위해 MEBN 학습 프레임 워크를 소개합니다. 프레임 워크를 지원하기 위해 MEBN 모델과 관계형 모델 사이의 브리지 모델, PSAW를 위한 MEBN 모델의 설계를 지원하는 참조 모델 및 MEBN 모델이 제공된 매개 변수 학습 알고리즘을 제시합니다. 제시된 방법론은 (1) 중요 인프라 방어 시스템, (2) 해양 영역 인식 시스템, (3) 스마트 제조 시스템의 세 가지 사용 사례에서 평가됩니다. 마지막으로 MEBN 학습 프레임 워크와 수동 MEBN 모델링을 개발 효율성 측면에서 비교하기위한 실험을 수행합니다.