详细内容或原文请订阅后点击阅览
从规则到关系：机器如何学习相互了解
使用知识图来处理语义通信中的意外情况，从规则到关系的帖子：机器如何学习彼此理解的方式首先出现在数据科学方面。
来源:走向数据科学通信系统已从简单的位传输变成智能信息共享。传统系统将原始数据从A点转移到B点，尽可能可靠地将原始数据移动到B点。现在，随着物联网设备，自主系统和智能基础架构中机器对机器通信的爆炸式增长，我们正在达到基本的瓶颈。
现代网络被不必要的数据淹没。但是机器不需要传统系统传输的所有信息。
让我们看一下以下安全监视交互：
安全摄像机：发现某人在下班时间在受限区域中行走，并捕获了5 MB
安全摄像机： 发现某人在下班时间在限制区域四处走动，并捕获了5 MB传统系统：每一个位发送整个5MB框架
传统系统： 每一个位发送整个5MB框架中央监控：分析框架并确定：“在A区中检测到的未经授权的人”
中央监控： 分析框架并确定：“未经授权的人在区域中检测到”在这种互动中，监视系统主要关心安全警报，而不是人的服装细节，面部特征或背景。但是，传统的交流对每个像素都具有同等的重视，从而传递了数百万个无关的位，以及少数重要的决策。
语义交流是一种传递意义而不是位的范式转移。语义通信系统不是发送整个5MB视频框架，而是将提取和传输：“ Zone_a，unuthorized_person，thrant_level_high”，同时仅需要一小部分数据，同时保留所有与决策相关的信息。
接收系统可以通过部署安全人员为A区A区域进行适当的决定所需的内容，以进行未经授权的入侵。
m d {m∈M}