Leveraging large language models (LLMs) to generate complex event recognition programs

Kouvaras, Andreas; Κουβαράς, Ανδρέας

dc.contributor.author	Kouvaras, Andreas	el
dc.contributor.author	Κουβαράς, Ανδρέας	en
dc.date.accessioned	2025-10-13T07:50:11Z
dc.date.available	2025-10-13T07:50:11Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/62689
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.30385
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) "Επιστήμη Δεδομένων και Μηχανική Μάθηση"	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Composite activity recognition	en
dc.subject	Complex event processing	en
dc.subject	Stream reasoning	en
dc.subject	Event Calculus	en
dc.subject	Maritime activities	en
dc.title	Leveraging large language models (LLMs) to generate complex event recognition programs	en
heal.type	masterThesis
heal.classification	Machine Learning	en
heal.classification	Logic Programming	en
heal.classification	Prompt Engineering	en
heal.classification	Large Language Models	en
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2025-02-27
heal.abstract	Composite activity recognition systems reason over streams of low-level, symbolic events in order to detect instances of composite activities, based on their formal definitions. Composite activity definition construction is a highly involved task, as these definitions often involve numerous spatio-temporal constraints, while labels that may be used for learning them automatically are hard to obtain. To address this issue, we propose a method that generates composite activity definitions from natural language descriptions using pre-trained Large Language Models (LLMs). In order to assess the quality of LLM-generated definitions, we propose a novel similarity metric, which reflects the human effort required to correct them. We present a thorough experimental evaluation of our approach on the maritime domain, demonstrating its effectiveness.	en
heal.abstract	Τα συστήματα αναγνώρισης σύνθετων δραστηριοτήτων λογικοδοτούνται μέσω ροών χαμηλού επιπέδου, συμβολικών γεγονότων για να εντοπίσουν περιπτώσεις σύνθετων δραστηριοτήτων, βασιζόμενα στους επίσημους ορισμούς τους. Η δημιουργία ορισμών σύνθετων δραστηριοτήτων είναι μια πολύπλοκη διαδικασία, καθώς αυτοί οι ορισμοί συχνά περιλαμβάνουν αρκετούς χωροχρονικούς περιορισμούς, ενώ οι ετικέτες που θα μπορούσαν να χρησιμοποιηθούν για την αυτόματη εκμάθησή τους είναι δύσκολο να αποκτηθούν. Για να αντιμετωπίσουμε αυτό το ζήτημα, προτείνουμε μια μέθοδο που παράγει ορισμούς σύνθετων δραστηριοτήτων από περιγραφές φυσικής γλώσσας χρησιμοποιώντας προ-εκπαιδευμένα Μεγάλα Γλωσσικά Μοντέλα (LLMs). Προκειμένου να αξιολογήσουμε την ποιότητα των ορισμών που παράγονται από τα LLM, προτείνουμε μια νέα μετρική, η οποία αντανακλά την ανθρώπινη προσπάθεια που απαιτείται για να διορθωθούν. Παρουσιάζουμε μια ενδελεχή πειραματική αξιολόγηση της προσέγγισής μας σε πραγματικά δεδομένα του τομέα της ναυτιλίας, επιδεικνύοντας την αποτελεσματικότητά της.	el
heal.advisorName	Vlahogianni, Eleni	en
heal.advisorName	Artikis, Alexander	en
heal.committeeMemberName	Vlahogianni, Eleni	en
heal.committeeMemberName	Artikis, Alexander	en
heal.committeeMemberName	Gkiotsalitis, Konstantinos	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	93 σ.	el
heal.fullTextAvailability	false