Link Prediction on Dynamic Attributed Knowledge Graphs for Maritime Situational Awareness - Groupe de Recherche en Informatique, Image, Automatique et Instrumentation de Caen (GREYC) Accéder directement au contenu
Communication Dans Un Congrès Année : 2019

Link Prediction on Dynamic Attributed Knowledge Graphs for Maritime Situational Awareness

Résumé

Currently, maritime surveillance operators have to monitor by hand the massive amount of data at their disposal to spot the events of interest, thus limiting their capabilities. Maritime data comes from various and heterogeneous sources, that can be merged into a dynamic attributed knowledge graph which represents an evolving maritime situation. Using this graph, the automation of alert rising comes through a link prediction task: given some labels from expert knowledge, are there similar situations of interest elsewhere in the graph? In this article, we review link prediction techniques for situation awareness in a maritime context, and draw conclusions on how the addition of attributes in a dynamic graph model could improve results on this task.
Actuellement, les opérateurs de surveillance maritime par-courentà la main les quantités massives de donnéesà leur disposition pour repérer lesévénementsà surveiller. Les données maritimes viennent de sources variées et hétérogènes qui peuventêtre fusionnées en un graphe de connaissance dynamique avec attributs, qui représente l'évolution d'une situation maritime. Via ce graphe, l'automatisation de la levée d'alerte revientà une tâche de prédiction de lien:étant donnés des labels venant de connaissance experte, y at -il d'autres situations similaires que l'on veut relever dans le graphe? Dans cet article , nous allons passer en revue plusieurs techniques de prédiction de lien dans un contexte de surveillance maritime et tirer des conclusions sur les bénéfices que pourrait apporter l'ajout d'attributs dans les modèles de graphes dynamiques pour l'exécution de cette tâche.
Fichier principal
Vignette du fichier
IC2019.pdf (635.6 Ko) Télécharger le fichier
Origine : Fichiers éditeurs autorisés sur une archive ouverte
Loading...

Dates et versions

hal-02942859 , version 1 (22-10-2020)

Identifiants

  • HAL Id : hal-02942859 , version 1

Citer

Jacques Everwyn, Abdel-Illah Mouaddib, Bruno Zanuttini, Sylvain Gatepaille, Stephan Brunessaux. Link Prediction on Dynamic Attributed Knowledge Graphs for Maritime Situational Awareness. Conférence Nationale sur les Applications Pratiques de l’Intelligence Artificielle (APIA 2019), Jul 2019, Toulouse, France. ⟨hal-02942859⟩
130 Consultations
249 Téléchargements

Partager

Gmail Facebook X LinkedIn More