Ontologies for interaction: Enabling serendipitous interoperability in smart environments

Niezen, Gerrit

doi:10.3233/ais-120194

Cited by 4 publications

(3 citation statements)

References 4 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…One possible way of doing this is separating the description between the alphabetical layer and the lexical layer. While interaction primitives (the smallest addressable element that has a meaningful relation to the interaction itself [35]) are produced by input devices, output devices describe the associated smallest information-carrying unit of involved operations and objects. When mediating input and output devices, interaction primitives can be linked to these units to control the output device and solve objectives.…”

Section: Task Analysismentioning

confidence: 99%

Self-Organizing and Self-Explaining Pervasive Environments by Connecting Smart Objects and Applications

2022

View full text Add to dashboard Cite

In the past decade, pervasive environments have progressed from promising research concepts to available products present in our everyday lives. By connecting multiple smart objects, device ensembles can be formed to assist users in performing tasks. Furthermore, smart objects can be used to control applications, that, in turn, can be used to control other smart objects. As manual configuration is often time-consuming, an automatic connection of the components may present a useful tool, which should take various aspects into account. While dynamically connecting these components allows for solutions tailored to the needs and respective tasks of a user, it obfuscates the handling and ultimately may decrease usability. Self-descriptions have been proposed to overcome this issue for ensembles of smart objects. For a more extensive approach, descriptions of applications in pervasive environments need to be addressed as well. Based on previous research in the context of self-explainability of smart objects, we propose a description language as well as a framework to support self-explaining ambient applications (applications that are used within smart environments). The framework can be used to manually or automatically connect smart objects as well as ambient applications and to realize self-explainability for these interconnected device and application ensembles.

show abstract

Section: Task Analysismentioning

confidence: 99%

Self-Organizing and Self-Explaining Pervasive Environments by Connecting Smart Objects and Applications

2022

View full text Add to dashboard Cite

show abstract

“…The declarative approach and the explicit knowledge representation of LP enable knowledge sharing at the most adequate level of abstraction while supporting modularity and separation of concerns [34], which are especially valuable in open and dynamic distributed systems (serendipitous interoperability, [35]). As a further element, LP formal semantics naturally enables logic-based intelligent agents to reason and infer new information.…”

Section: Related Workmentioning

confidence: 99%

Extending Logic Programming with Labelled Variables: Model and Semantics

Calegari

Denti

Dovier

et al. 2018

View full text Add to dashboard Cite

In order to enable logic programming to deal with the diversity of pervasive systems, where many heterogeneous, domain-specific computational models could benefit from the power of symbolic computation, we explore the expressive power of labelled systems. To this end, we define a new notion of truth for logic programs extended with labelled variables interpreted in non-Herbrand domains-where, however, terms maintain their usual Herbrand interpretations. First, a model for labelled variables in logic programming is defined. Then, the fixpoint and the operational semantics are presented and their equivalence is formally proved. A meta-interpreter implementing the operational semantics is also introduced, followed by some case studies aimed at showing the effectiveness of our approach in selected scenarios.

show abstract

“…Reasoners provide different services, such as subsumption testing [55]: testing whether or not one class is a subclass of another class. They can also infer disjointness and equivalence of classes.…”

Section: Reasonermentioning

confidence: 99%

Integrating social and hardware sensors

Πάγκαλος¹

View full text Add to dashboard Cite

Η ποσότητα της πληροφορίας που παράγεται σήμερα από τους χρήστες των μέσων Κοινωνικών Δικτύωσης (Social Media) έχει ξεπεράσει κάθε προσδοκία. Σε πλατφόρμες όπως το Facebook και το Twitter, οι χρήστες δρουν συχνά ως «αισθητήρες», πραγματοποιώντας ποικίλες «μετρήσεις» που καταγράφουν έναν εντυπωσιακό όγκο από δεδομένα για το περιβάλλον τους ή ακόμα και για τους ίδιους. Αυτοί οι «Αισθητήρες Κοινωνικής Δικτύωσης» (Social Sensors) είναι εξαιρετικά χρήσιμοι σε πληθώρα επιστημών (π.χ. ηλεκτρονική υγεία, διατροφή & άσκηση, κοινωνικές επιστήμες) ιδιαίτερα όταν συνδυάζονται με δεδομένα από κλασσικούς αισθητήρες υλικού (Hardware Sensors). Παρ' όλα αυτά, τα δεδομένα ενός Social Sensor είναι, κατά κύριο λόγο, μη δομημένα, κυμαινόμενης αξιοπιστίας και χωρίς τις απαραίτητες αλυσίδες προέλευσης (provenance chains) που απαιτούνται για την ενοποίηση μεταξύ ετερογενών πηγών, την εξακρίβωση της ποιότητας και αξιοπιστίας της πληροφορίας, και την αξιοποίησή της. Οι τεχνολογίες Σημασιολογικού Ιστού (Semantic Web) μπορούν να χρησιμοποιηθούν για τη λύση αυτών των προβλημάτων, μετατρέποντας την πληροφορία σε μορφή που είναι καλύτερα κατανοητή και επεξεργάσιμη από την σύγχρονη τεχνολογία. Η διατριβή παρουσιάζει το SOSENS (SOcial SENSor) framework, μία αρχιτεκτονική που παρέχει ένα ενιαίο σημασιολογικό πλαίσιο για περιβάλλοντα Social Sensing, βασισμένο σε οντολογίες. Η βασική οντολογία (SOSENS) περιγράφει σημασιολογικά τους χρήστες ως αισθητήρες, επιτρέποντας την εύκολη ενοποίηση και σύγκριση της πληροφορίας. Επεκτάσεις όπως η οντολογία SOSENS-Trust προσφέρουν την εννοιολογική βάση για την περιγραφή διαδικασιών όπως ο υπολογισμός δεικτών αξιοπιστίας (trust) και φήμης (reputation). Το SOSENS framework, που υλοποιήθηκε στα πλαίσια της διατριβής, χρησιμοποιήθηκε και αξιολογήθηκε σε ένα περιβάλλον Ηλεκτρονικής Υγείας (e-health) όπου πληροφορία από Facebook Social Sensors συνδυάστηκε με πληροφορία από ψηφιακά βηματόμετρα Fitbit, με σκοπό την παρακολούθηση της φυσικής δραστηριότητας. Η χρήση του SOSENS framework συνέβαλλε στην αποτελεσματική συλλογή, ενοποίηση, ανάλυση και καταγραφή τόσο των δεδομένων των αισθητήρων όσο και των μεταδεδομένων προέλευσης και αξιοπιστίας. Η σημασιολογικά-πλούσια μορφή της παραγόμενης πληροφορίας διευκολύνει την επαναχρησιμοποίησή της και συμβάλλει στη δημιουργία διαλειτουργικών χώρων Social Sensing.

show abstract

Ontologies for interaction: Enabling serendipitous interoperability in smart environments

Cited by 4 publications

References 4 publications

Self-Organizing and Self-Explaining Pervasive Environments by Connecting Smart Objects and Applications

Self-Organizing and Self-Explaining Pervasive Environments by Connecting Smart Objects and Applications

Extending Logic Programming with Labelled Variables: Model and Semantics

Integrating social and hardware sensors

Contact Info

Product

Resources

About