| Source DB | nl |
|---|
| Institution | UGent |
|---|
| Code | 7b7901e5-b469-4feb-a3b1-efd835cd1f41 |
|---|
| Unit | 16a28d37-6005-49e4-be1b-46b8c76f6640
|
|---|
| Begin | 11/1/2020 |
|---|
| End | 10/31/2022 |
|---|
| title fr |
|
|---|
| title nl | Verbetering van data analyse voor IoT door semantische verrijking van machine learning taken mogelijk te maken
|
|---|
| title en | Enhancing data analytics for IoT by enabling semantic enrichment of machine learning tasks
|
|---|
| Description fr |
|
|---|
| Description nl | De recente toename van sensoren, actuatoren en mobiele toestellen in het Internet der Dingen zorgt voor tal van mogelijkheden om met data analyse onze levenskwaliteit te verbeteren. Het bekomen van betekenisvolle inzichten wordt echter sterk bemoeilijkt doordat deze data gekenmerkt wordt door grote volumes, variëteit, hoge snelheid, en lage kwaliteit. Twee soorten technieken worden naast elkaar gehanteerd. Kennisgedreven technieken maken gebruik van kennisgrafen (KGs) en logische regels om nieuwe inzichten te bekomen via deductieve inferentie. Door gebruik te maken van semantisch verrijking kunnen ze de datakwaliteit verhogen en data uit heterogene bronnen consolideren. Daartegenover staan de datagedreven methodes die de ruwe data rechtstreeks verwerken via diverse inductieve, machine learning modellen. Om de prestaties van machine learning taken te verbeteren door semantische verrijking uit te buiten, stel ik voor om KG inbeddingen te gebruiken als een vorm van semantische feature generatie. Helaas is het toepassen van huidige inbeddingtechnieken op IoT datastromen niet vanzelfsprekend door hun statische and relationele natuur. Daarom zal ik een incrementele, schema-gevoelige inbeddingtechnieken ontwerpen die zich continu kan aanpassen en die sensordata prioriteert. Omdat IoT applicaties vaak kritiek zijn en de beslissingen van machine learning technieken vaak ondoorgrondelijk zijn, zal ik deze technieken integreren in een interpreteerbaar beslissingsmodel.
|
|---|
| Description en | The recent spread of sensors, actuators and mobile devices, comprising the Internet of Things (IoT), provides ample opportunity to improve our quality of life through data analytics. However, as IoT data is bound by the four Vs of Big DataU+2014volume, variety, velocity, and veracityU+2014deriving meaningful insights becomes challenging. Today, two approaches have been employed side by side. Relying on knowledge graphs (KGs) and logical rules, knowledge-driven approaches are able to derive new high-level insights via deductive inference. By making use of semantic enrichment, they are able to improve data quality and consolidate heterogeneous data sources. Conversely, data-driven approaches process raw data by applying a wide array of machine learning techniques to capture inductive knowledge. In order to leverage the benefits of semantic enrichment to improve performance on machine learning tasks, I propose using KG embeddings as a form of semantic feature generation. However, due to their static, relational nature, current embedding techniques are not easily applicable to streams of sensory data. To this end, I propose an incremental, schema-aware embedding technique, which is updatable in an online fashion and prioritizes sensory data. Because IoT applications are often critical and machine learning approaches are usually opaque with respect to decision-making, this technique is further integrated into an interpretable, end-to-end decision model.
|
|---|
| Qualifiers | - Hybrid AI - Internet of Things - Knowledge Graph Embedding - |
|---|
| Personal | De Turck Filip, Ongenae Femke, Weyns Michael |
|---|
| Collaborations | |
|---|
