모바일 컨텍스트 로그를 사용한 속성별 베이지안 네트워크 기반의 랜드마크 예측 모델 학습
Learning Predictive Models of Memory Landmarks based on Attributed Bayesian Networks Using Mobile Context Log
0
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
모바일 장비에서 수집되는 정보는 개인의 기억을 보조하기 위한 수단으로 활용될 수 있지만, 그 양이 너무 많아 사용자가 효과적으로 검색하기에는 어려움이 있다. 데이터를 사람의 기억과 유사한 에피소드 방식으로 저장하기 위해 중요 이벤트인 랜드마크를 탐지하는 것이 필요하다. 본 논문에서는 사용자에게 새로운 서비스를 제공하기 위해서 다양한 컨텍스트 로그 정보로부터 자동으로 랜드마크를 찾아내는 속성별 베이지안 랜드마크 예측 모델을 제안한다. 랜드마크 예측 정확도를 높이기 위해 요일별, 주간별로 데이터를 나누고 다시 수집된 경로에 따른 속성으로 분류하여 학습을 통해 베이지안 네트워크를 생성하였다. 노키아의 로그데이터로 실험한 결과, 베이지안 네트워크를 사용한 방법이 SVM을 사용한 방법보다 예측성능이 높았으며, 주간별 및 요일별로 설계한 베이지안 네트워크에 비해 제안한 방법인 속성별 베이지안 네트워크의 성능이 가장 우수하였다.
Abstract
Information collected on mobile devices might be utilized to support user's memory, but it is difficult to effectively retrieve them because of the enormous amount of information. In order to organize information as an episodic approach that mimics human memory for the effective search, it is required to detect important event like landmarks. For providing new services with users, in this paper, we propose the prediction model to find landmarks automatically from various context log information based on attributed Bayesian networks. The data are divided into daily and weekly ones, and are categorized into attributes according to the source, to learn the Bayesian networks for the improvement of landmark prediction. The experiments on the Nokia log data showed that the Bayesian method outperforms SVMs, and the proposed attributed Bayesian networks are superior to the Bayesian networks modelled daily and weekly.
참고문헌 (19)
- M. Raen, "ContextPhone: A prototyping platform for context-aware mobile applications", IEEE Pervasive Computing, 4(2), pp.51~59 (2005)
- A. Krause, "Context-aware mobile computing: Learning context-dependent personal preferences from a wearable sensor array", IEEE Trans. on Mobile Computing, 5(2), pp.113~127 (2006)
- R. DeVaul, "MIThril 2003: Applications and Architecture", Proc of 7th IEEE Int. Symposium on Wearable Comput, pp.4~11 (2003)
- P. Zheng, "The rise of the smart phone", IEEE Distributed Systems Online, 7(3), pp.1~14 (2006)
- P. Korpipaa, "Managing context information in mobile devices", IEEE Pervasive Computing, 2(3), pp.42~51 (2003)
- J. Gemmell, "Pervasive capture and ensuing issues for a personal lifetime store", the 1st ACM Workshop on Continuous Archival and Retrieval of Personal Experiences, pp.48~55 (2004)
- D.P. Siewior, "SenSay: A context-aware mobile pho", Proc. 7th Int. Symp. of Wearable Computers, pp.248~249 (2003)
- R. M. Shiffrin, "A model for recognition memory: REM retrieving effectively from memory", Psychonomic Bulletin & Review, 4(2), pp.145~166 (1997)
- E. Horvitz, "Learning predictive models of memory landmarks", 26th Annual Meeting of the Cognitive Science Society, pp.267~272 (2004)
- D.M. Chickering, "A Bayesian approach to learning Bayesian networks with local structure", Proc. of Uncertainty in Artificial Intelligence, pp.80~89 (1997)
- M. Ringel, "Milestones in time: The value of landmarks in retrieving information from personal stores", the 9th IFIP TC13 International Conference on Human-Computer Interaction, pp.184~191 (2003)
- N. Eagle, "Reality mining: Sensing complex social systems", J. of Personal and Ubiquitous Computing, 10(4), pp.255~268 (2005)
- J. Pearl, "Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference" (1988), Morgan Kaufmann
- K. B. Korb, "Bayesian Artificial Intelligence", pp.2003, Chapman & Hall
- G. F. Cooper, "A Bayesian method for the induction of probabilistic networks from data", Machine Learning, 9(4), pp.309~347 (1992)
- L. M. de Campos, "Ant colony optimization for learning Bayesian networks", Int. Journal of Approximate Reasoning, pp.291~311 (2002)
- U. Kjærulff, "Inference in Bayesian networks using nested junction trees", Learning in Graphical Models, 89, pp.51~74 (1998)
- Y. Bengio, "No unbiased estimator of the variance of k-fold cross validation", Journal of machine learning research, 5, pp.1089~1105 (2004)