Projektbeschreibung
Verarbeitung räumlicher Daten durch maschinelles Lernen verändern
Im digitalen Zeitalter, in dem die meisten Daten raumbezogen sind, ist die Effizienz raumbezogener Datenoperationen besonders wichtig. Herkömmliche Ansätze zur räumlichen Verknüpfung, die für Anwendungen wie Verkehrsmanagement und Robotersteuerung als unverzichtbar gelten, werden mit der zunehmenden Komplexität der Datenmengen ineffizient. Mit Unterstützung der Marie Skłodowska-Curie-Maßnahmen wird im Rahmen des Projekts LEJO maschinelles Lernen genutzt, um die Verarbeitung räumlicher Verknüpfungen zu revolutionieren. Ziel ist es, die Verteilung räumlicher Daten zu verstehen, und gelernte Ansätze für binäre und mehrseitige räumliche Verknüpfungen vorzustellen. Durch die Beseitigung von Engpässen, die Implementierung einer verteilungsbewussten Partitionierung und die Entwicklung modellbasierter Indizes verspricht LEJO Auswirkungen auf Anwendungen für räumliche Daten in der realen Praxis. Das Projektteam fördert den Wissensaustausch, indem es Fachwissen im Bereich des maschinellen Lernens mit dem Management räumlicher Daten kombiniert, um die Zukunft der Datenverarbeitung in Europa und anderen Regionen zu gestalten.
Ziel
Arguably 80% of all data is spatial. This calls for highly efficient and effective spatial data operations. Among them, spatial joins are frequently needed as a key primitive in various applications such as traffic management, robotics control, location-based services and even human brain modelling. However, existing spatial join approaches follow the traditional filter-and-refinement paradigm that is data distribution-oblivious. As a result, existing approaches are increasingly inefficient as spatial datasets to be joined become larger and more complex. The project LEJO is intended to make use of machine learning techniques to better understand the distributions of spatial data, and accordingly design learned approaches for highly efficient spatial join processing. Specifically, the research actions of LEJO include (1) learned approaches for binary spatial joins of memory-resident data; (2) learned approaches for binary spatial joins of disk-resident data; (3) learned approaches for multi-way spatial joins. The research actions will mainly concern analysis of the bottlenecks of existing approaches, design of distribution-aware space/data partitioning, design of learned model based indexes and join algorithms, and implementation and evaluation of the proposed techniques. These research actions, as well as project planning and management, will significantly strengthen the fellow’s research profile and manage skill. This in turn will put him in a considerably better position for future career development after the project. Moreover, a two-way knowledge transfer is expected as LEJO combines the fellow’s expertise in machine learning and the host university’s expertise in spatial data management. Focusing on the challenging intersection of spatial data management and machine learning, LEJO will not only advance the frontier research in the academia but also bring about potential impacts on many spatial data application domains in and beyond Europe.
Wissenschaftliches Gebiet
Schlüsselbegriffe
Programm/Programme
- HORIZON.1.2 - Marie Skłodowska-Curie Actions (MSCA) Main Programme
Aufforderung zur Vorschlagseinreichung
Andere Projekte für diesen Aufruf anzeigenFinanzierungsplan
HORIZON-TMA-MSCA-PF-EF - HORIZON TMA MSCA Postdoctoral Fellowships - European FellowshipsKoordinator
4000 Roskilde
Dänemark